> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.
> Intégrez W&B à XGBoost pour journaliser automatiquement les métriques de gradient boosting, l’importance des variables et la performance du modèle.
# XGBoost
export const ColabLink = ({url}) =>
Essayer sur Colab
;
La bibliothèque `wandb` inclut un callback `WandbCallback` pour journaliser les métriques, les configurations et les boosters enregistrés lors de l'entraînement avec XGBoost. Vous pouvez voir ici un [tableau de bord W\&B en direct](https://wandb.ai/morg/credit_scorecard) avec les résultats du `WandbCallback` de XGBoost.
## Prise en main
La journalisation des métriques XGBoost, des configurations et des modèles booster dans W\&B est aussi simple que de transmettre `WandbCallback` à XGBoost :
```python theme={null}
from wandb.integration.xgboost import WandbCallback
import xgboost as XGBClassifier
...
# Démarrer un run wandb
with wandb.init() as run:
# Passer WandbCallback au modèle
bst = XGBClassifier()
bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])
```
Vous pouvez ouvrir [ce notebook](https://wandb.me/xgboost) pour obtenir une vue d’ensemble complète de la journalisation avec XGBoost et W\&B
## Référence de `WandbCallback`
### Fonctionnalité
Passer `WandbCallback` à un modèle XGBoost permet de :
* journaliser la configuration du modèle booster dans W\&B
* journaliser les métriques d'évaluation collectées par XGBoost, comme rmse, accuracy, etc., dans W\&B
* journaliser les métriques d'entraînement collectées par XGBoost (si vous fournissez des données à `eval_set`)
* journaliser le meilleur score et la meilleure itération
* enregistrer et téléverser votre modèle entraîné dans W\&B Artifacts (lorsque `log_model = True`)
* journaliser le graphique d'importance des variables lorsque `log_feature_importance=True` (par défaut).
* Capturer la meilleure métrique d'évaluation dans `wandb.Run.summary` lorsque `define_metric=True` (par défaut).
### Arguments
* `log_model`: (boolean) si True, enregistrez et envoyez le modèle vers W\&B Artifacts
* `log_feature_importance`: (boolean) si True, journalisez un graphique à barres de l'importance des variables
* `importance_type`: (str) l'une des valeurs suivantes : `{weight, gain, cover, total_gain, total_cover}` pour un modèle arborescent. `weight` pour un modèle linéaire.
* `define_metric`: (boolean) si True (par défaut), enregistrez les performances du modèle à la meilleure étape de l'entraînement, plutôt qu'à la dernière, dans votre `run.summary`.
Vous pouvez consulter le [code source de WandbCallback](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py).
Pour plus d'exemples, consultez le [dépôt d'exemples sur GitHub](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms).
## Ajustez vos hyperparamètres avec Sweeps
Pour obtenir les meilleures performances de vos modèles, vous devez ajuster des hyperparamètres, comme la profondeur de l’arbre et le taux d’apprentissage. W\&B [Sweeps](/fr/models/sweeps/) est une boîte à outils puissante pour configurer, orchestrer et analyser des campagnes de tests d’hyperparamètres à grande échelle.
Vous pouvez aussi essayer ce [script Python XGBoost & Sweeps](https://github.com/wandb/examples/blob/master/examples/wandb-sweeps/sweeps-xgboost/xgboost_tune.py).
