Лекция 7. XGboost. (Анализ данных на Python в примерах и задачах. Ч2)

compscicenter.ru/
Теоретическое обоснование метода. Пример решения задачи в Python с использованием XGboost. Несбалансированные выборки. Precision, Recall, F1. Информативность переменных (Importance). Подбор параметров в XGboost.
Лекция №7 в курсе "Анализ данных на Python в примерах и задачах. Часть 2" (осень 2018).
Преподаватель курса: Вадим Леонардович Аббакумов
Страница лекции на сайте CS центра: bit.ly/2S9Pwyp
Все видео курса: bit.ly/2NEwnWR

[@maximshalankin7699]

Отличные лекции, спасибо большое!

[@CompscicenterRu]

Видео 6 лекции будет немного позже.

[@RenescoRocketman]

Отлично, а то уж испугался, что пропустили.

[@vakaider3922]

Смотрю в 2023, представляю что бы творилась если бы сейчас, если бы повторили эту фразу 57:20 )

[@hopelesssuprem1867]

с языка снял)

[@АнтонФонин-ц3ц]

Очень ждем 6 лекцию

[@CompscicenterRu]

Готово, выложили 6 лекцию.

[@RenescoRocketman]

Ну где же, где ж она, 6я лекция? Не охота начинать смотреть 7ю с пропуском.

[@CompscicenterRu]

По техническим причинам для 6 лекции нужно подготовить скринкаст, это займёт какое-то время. Поэтому пока, к сожалению, точную дату назвать не можем.

[@CompscicenterRu]

Ура, опубликовали 6 лекцию.

[@RenescoRocketman]

Вот это и правда Ура. Спасибо.

[@shandi1241]

Не совсем понятно зачем делать dropna если xgboost работает с пропусками?

[@Vadim_Abbakumov]

Советую разобраться, КАК именно XGBoost работает с пропусками. Он считает, что распределение пропусков информативно и использует информацию о пропусках для предсказания. Когда аналитик считает, что в задаче пропуски появляются непонятным для него способом, лучше без них. Я так и сделал