← retour aux snippets

xgboost: regressor avec DMatrix et features nommées

Entraîner un modèle via xgboost.train avec DMatrix et noms de colonnes.

python ml #xgboost#regression#dmatrix

objectif

Entraîner un modèle via xgboost.train avec DMatrix et noms de colonnes.

code minimal

import numpy as np
import xgboost as xgb

rng = np.random.RandomState(0)
X = rng.randn(200, 3)
y = X @ np.array([1.5, -2.0, 0.5]) + rng.randn(200)*0.1

dtrain = xgb.DMatrix(X, label=y, feature_names=["f1","f2","f3"])
params = {
    "objective": "reg:squarederror",
    "max_depth": 3,
    "eta": 0.1,
    "subsample": 0.9,
    "colsample_bytree": 0.9,
    "seed": 0,
    "tree_method": "hist",
}
bst = xgb.train(params, dtrain, num_boost_round=200)
pred = bst.predict(dtrain)[0]
print(isinstance(pred, float))

utilisation

# Importance des features par "gain"
imp = bst.get_score(importance_type="gain")
print(set(imp.keys()) <= {"f1","f2","f3"})

variante(s) utile(s)

# Sauvegarde/chargement du booster
bst.save_model("xgb.model")
bst2 = xgb.Booster()
bst2.load_model("xgb.model")
print(len(bst2.get_dump()) > 0)

notes

  • Avec DMatrix, vous contrôlez noms et poids d’échantillons; get_score() expose l’importance par gain, cover, weight.