XGBoost

여기에서 Colab 노트북으로 시도해보세요 →

wandb 라이브러리는 XGBoost로 트레이닝할 때 메트릭, 설정 및 저장된 부스터를 로깅하기 위한 WandbCallback 콜백을 가지고 있습니다. 여기에서 XGBoost WandbCallback의 출력물을 포함한 실시간 Weights & Biases 대시보드를 볼 수 있습니다.

시작하기

XGBoost 메트릭, 설정 및 부스터 모델을 Weights & Biases에 로깅하는 것은 XGBoost에 WandbCallback을 전달하는 것만큼 쉽습니다:

from wandb.xgboost import WandbCallback
import xgboost as XGBClassifier

...
# wandb run을 시작합니다
run = wandb.init()

# 모델에 WandbCallback을 전달합니다
bst = XGBClassifier()
bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])

# wandb run을 종료합니다
run.finish()

XGBoost와 Weights & Biases로 로깅하는 것에 대한 자세한 내용은 이 노트북을 열어보세요

WandbCallback

기능

XGBoost 모델에 WandbCallback을 전달하면 다음을 수행합니다:

• 부스터 모델 설정을 Weights & Biases에 로그합니다
• XGBoost에 의해 수집된 평가 메트릭(예: rmse, 정확도 등)을 Weights & Biases에 로그합니다
• XGBoost에 의해 수집된 트레이닝 메트릭을 로그합니다(eval_set에 데이터를 제공한 경우)
• 최고 점수와 최고 반복을 로그합니다
• log_model = True일 때 훈련된 모델을 저장하고 Weights & Biases Artifacts에 업로드합니다
• log_feature_importance=True일 때(기본값) 피처 중요도 플롯을 로그합니다.
• define_metric=True일 때(기본값) 트레이닝의 마지막 단계가 아니라 최고 단계에서의 모델 성능을 wandb.summary에 캡처합니다.

인수

log_model: (boolean) True일 경우 모델을 저장하고 Weights & Biases Artifacts에 업로드합니다

log_feature_importance: (boolean) True일 경우 피처 중요도 바 플롯을 로그합니다

importance_type: (str) 트리 모델의 경우 {weight, gain, cover, total_gain, total_cover} 중 하나. 선형 모델의 경우 weight.

define_metric: (boolean) True일 경우(기본값) wandb.summary에서 트레이닝의 마지막 단계가 아니라 최고 단계에서의 모델 성능을 캡처합니다.

WandbCallback의 소스 코드는 여기에서 찾을 수 있습니다

:::안내 더 많은 작동 코드 예제를 찾고 계신가요? GitHub의 예제 저장소를 확인하거나 Colab 노트북을 시도해 보세요. :::

하이퍼파라미터를 Sweeps로 튜닝하기

모델의 최대 성능을 달성하려면, 트리 깊이와 학습 속도와 같은 하이퍼파라미터를 튜닝해야 합니다. Weights & Biases에는 하이퍼파라미터 테스트 실험을 구성, 조율 및 분석하기 위한 강력한 툴킷인 Sweeps가 포함되어 있습니다.

:::안내 이 툴에 대해 자세히 알아보고 XGBoost와 Sweeps를 사용하는 방법의 예를 보려면 이 인터랙티브 Colab 노트북을 확인하거나 이 XGBoost & Sweeps 파이썬 스크립트를 시도해 보세요. :::