> ## 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.
> W&B を XGBoost と統合すると、勾配ブースティングのメトリクス、特徴量重要度、モデル性能を自動的にログできます。
# XGBoost
export const ColabLink = ({url}) =>
Colabで試す
;
`wandb` ライブラリには、XGBoost でのトレーニング中にメトリクス、設定、保存済みの booster をログするための `WandbCallback` コールバックがあります。ここでは、XGBoost の `WandbCallback` による出力を確認できる [ライブの W\&B ダッシュボード](https://wandb.ai/morg/credit_scorecard) を参照できます。
## はじめに
W\&B に XGBoost のメトリクス、設定、booster モデルをログするには、`WandbCallback` を XGBoost に渡すだけです：
```python theme={null}
from wandb.integration.xgboost import WandbCallback
import xgboost as XGBClassifier
...
# wandb の run を開始する
with wandb.init() as run:
# WandbCallback をモデルに渡す
bst = XGBClassifier()
bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])
```
XGBoost と W\&B でログする内容を包括的に確認するには、[このノートブック](https://wandb.me/xgboost)を開いてください
## `WandbCallback` リファレンス
### 機能
`WandbCallback` を XGBoost モデルに渡すと、次の処理が行われます。
* booster モデルの設定を W\&B にログします
* rmse や accuracy など、XGBoost が収集した評価メトリクスを W\&B にログします
* XGBoost が収集したトレーニングメトリクスをログします (`eval_set` にデータを指定した場合)
* 最良のスコアと最良のイテレーションをログします
* トレーニング済みのモデルを W\&B Artifacts に保存してアップロードします (`log_model = True` の場合)
* `log_feature_importance=True` の場合、特徴量重要度プロットをログします (デフォルト) 。
* `define_metric=True` の場合、最良の評価メトリクスを `wandb.Run.summary` に記録します (デフォルト) 。
### 引数
* `log_model`: (boolean) True の場合、モデルを保存して W\&B Artifacts にアップロードします
* `log_feature_importance`: (boolean) True の場合、特徴量重要度の棒プロットをログします
* `importance_type`: (str) ツリーモデルでは `{weight, gain, cover, total_gain, total_cover}` のいずれかを指定します。線形モデルでは `weight` を指定します。
* `define_metric`: (boolean) True の場合 (デフォルト) 、`run.summary` にはトレーニングの最後の step ではなく、最良の step におけるモデル性能を記録します。
[WandbCallback のソースコード](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py)を確認できます。
追加の例については、[GitHub 上のサンプルリポジトリ](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms)を参照してください。
## Sweeps でハイパーパラメーターを調整する
モデルから最大限のパフォーマンスを引き出すには、決定木の深さや学習率などのハイパーパラメーターを調整する必要があります。W\&B [Sweeps](/ja/models/sweeps/) は、大規模なハイパーパラメーター探索の experiment を設定、実行、分析するための強力なツールキットです。
この [XGBoost と Sweeps の Python スクリプト](https://github.com/wandb/examples/blob/master/examples/wandb-sweeps/sweeps-xgboost/xgboost_tune.py) を試すこともできます。
