> ## 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&B를 XGBoost와 통합해 그래디언트 부스팅 메트릭, 특성 중요도, 모델 성능을 자동으로 로깅합니다.
# XGBoost
export const ColabLink = ({url}) =>
Colab에서 사용해 보기
;
`wandb` 라이브러리에는 XGBoost로 트레이닝할 때 메트릭, 설정, 저장된 부스터를 로깅하는 `WandbCallback` 콜백이 있습니다. 여기에서 XGBoost `WandbCallback`의 출력이 표시된 [실시간 W\&B 대시보드](https://wandb.ai/morg/credit_scorecard)를 확인할 수 있습니다.
## 시작하기
XGBoost 메트릭, 설정, 부스터 모델은 `WandbCallback`을 XGBoost에 전달하기만 하면 W\&B에 손쉽게 로깅할 수 있습니다:
```python theme={null}
from wandb.integration.xgboost import WandbCallback
import xgboost as XGBClassifier
...
# wandb run 시작
with wandb.init() as run:
# 모델에 WandbCallback 전달
bst = XGBClassifier()
bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])
```
XGBoost와 W\&B에서의 로깅을 자세히 살펴보려면 [이 노트북](https://wandb.me/xgboost)을 열어보세요.
## `WandbCallback` 레퍼런스
### 기능
`WandbCallback`을 XGBoost 모델에 전달하면 다음 작업이 수행됩니다.
* 부스터 모델 설정을 W\&B에 로깅합니다
* rmse, accuracy 등 XGBoost가 수집한 평가 메트릭을 W\&B에 로깅합니다
* XGBoost가 수집한 트레이닝 메트릭을 로깅합니다 (`eval_set`에 데이터를 제공한 경우)
* 최고 score와 최적 iteration을 로깅합니다
* 트레이닝된 모델을 W\&B Artifacts에 저장하고 업로드합니다 (`log_model = True`인 경우)
* `log_feature_importance=True`일 때 특성 중요도 플롯을 로깅합니다(기본값).
* `define_metric=True`일 때 최상의 eval metric을 `wandb.Run.summary`에 저장합니다(기본값).
### 인수
* `log_model`: (boolean) True이면 모델을 W\&B Artifacts에 저장하고 업로드합니다.
* `log_feature_importance`: (boolean) True이면 특성 중요도 막대 그래프를 기록합니다.
* `importance_type`: (str) 트리 모델의 경우 `{weight, gain, cover, total_gain, total_cover}` 중 하나입니다. 선형 모델의 경우 `weight`입니다.
* `define_metric`: (boolean) True이면(기본값) 트레이닝의 마지막 step이 아니라 최적 step에서의 모델 performance를 `run.summary`에 기록합니다.
[WandbCallback의 소스 코드](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py)를 검토할 수 있습니다.
추가 예시는 [GitHub의 예제 저장소](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms)에서 확인하세요.
## Sweeps로 하이퍼파라미터 조정하기
모델의 성능을 최대한 끌어올리려면 트리 깊이와 학습률 같은 하이퍼파라미터를 조정해야 합니다. W\&B [Sweeps](/ko/models/sweeps/)는 대규모 하이퍼파라미터 테스트 실험을 설정하고, 조율하고, 분석할 수 있는 강력한 도구입니다.
이 [XGBoost & Sweeps Python 스크립트](https://github.com/wandb/examples/blob/master/examples/wandb-sweeps/sweeps-xgboost/xgboost_tune.py)도 사용해 보세요.
