XGBoost Python (작동 방식: 개발자 가이드)

XGBoost Python의 특징

XGBoost를 설치하세요

먼저, 시스템에 XGBoost 패키지가 설치되어 있는지 확인하십시오. pip를 사용하여 컴퓨터에 설치할 수 있습니다.

pip install xgboost

pip install xgboost

라이브러리 가져오기

import xgboost as xgb
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

import xgboost as xgb
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

데이터를 준비하세요

이 예시에서는 보스턴 주택 데이터셋을 사용하겠습니다.

# Load the Boston housing dataset
boston = load_boston()
# Load data and target values
X = boston.data
y = boston.target
# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Load the Boston housing dataset
boston = load_boston()
# Load data and target values
X = boston.data
y = boston.target
# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

DMatrix를 생성하세요

XGBoost는 학습을 위해 DMatrix라는 자체 정의 데이터 구조를 사용합니다.

# Create DMatrix for training and testing sets
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# Create DMatrix for training and testing sets
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

설정 매개변수

모델 매개변수를 구성합니다. 구성 예시는 다음과 같습니다.

# Set parameters
params = {
    'objective': 'reg:squarederror',  # Objective function for regression
    'max_depth': 4,  # Maximum depth of a tree
    'eta': 0.1,  # Learning rate
    'subsample': 0.8,  # Subsample ratio of the training instances
    'colsample_bytree': 0.8,  # Subsample ratio of columns when constructing each tree
    'seed': 42  # Random seed for reproducibility
}

# Set parameters
params = {
    'objective': 'reg:squarederror',  # Objective function for regression
    'max_depth': 4,  # Maximum depth of a tree
    'eta': 0.1,  # Learning rate
    'subsample': 0.8,  # Subsample ratio of the training instances
    'colsample_bytree': 0.8,  # Subsample ratio of columns when constructing each tree
    'seed': 42  # Random seed for reproducibility
}

모델을 학습시키세요

XGBoost 모델을 학습시키려면 train 메서드를 사용하십시오.

# Number of boosting rounds
num_round = 100
# Train the model
bst = xgb.train(params, dtrain, num_round)

# Number of boosting rounds
num_round = 100
# Train the model
bst = xgb.train(params, dtrain, num_round)

예측해 보세요

이제 학습된 모델을 사용하여 테스트 세트에 대한 예측을 수행하세요.

# Make predictions
preds = bst.predict(dtest)

# Make predictions
preds = bst.predict(dtest)

모델을 평가하세요

적절한 측정 지표(예: 평균 제곱근 오차)를 사용하여 머신 러닝 모델의 성능을 확인하십시오.

# Calculate mean squared error
mse = mean_squared_error(y_test, preds)
print(f"Mean Squared Error: {mse}")

# Calculate mean squared error
mse = mean_squared_error(y_test, preds)
print(f"Mean Squared Error: {mse}")

모델을 저장하고 불러오세요

학습된 모델을 파일로 저장해두었다가 필요할 때 나중에 불러올 수 있습니다.

# Save the model
bst.save_model('xgboost_model.json')
# Load the model 
bst_loaded = xgb.Booster()
bst_loaded.load_model('xgboost_model.json')

# Save the model
bst.save_model('xgboost_model.json')
# Load the model 
bst_loaded = xgb.Booster()
bst_loaded.load_model('xgboost_model.json')

IronPDF 란 무엇인가요?

pip install ironpdf

XGBoost Python과 IronPDF 결합하세요

필요한 모든 라이브러리를 가져오고 데이터셋을 로드하세요. 본 연구에서는 보스턴 주택 데이터셋을 사용하겠습니다.

import xgboost as xgb
import numpy as np
from ironpdf import *     
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# Load data
boston = load_boston()
X = boston.data
y = boston.target

# Split data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Create DMatrix
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# Set parameters
params = {
    'objective': 'reg:squarederror',
    'max_depth': 4,
    'eta': 0.1,
    'subsample': 0.8,
    'colsample_bytree': 0.8,
    'seed': 42
}

# Train model
num_round = 100
bst = xgb.train(params, dtrain, num_round)

# Make predictions
preds = bst.predict(dtest)
mse = mean_squared_error(y_test, preds)

# Create a PDF document using IronPDF
iron_pdf = ChromePdfRenderer()

# Create HTML content
html_content = f"""
<html>
<head>
    <title>XGBoost Model Report</title>
</head>
<body>
    <h1>XGBoost Model Report</h1>
    <p>Mean Squared Error: {mse}</p>
    <h2>Predictions</h2>
    <ul>
        {''.join([f'<li>{pred}</li>' for pred in preds])}
    </ul>
</body>
</html>
"""

pdf = iron_pdf.RenderHtmlAsPdf(html_content)

# Save the PDF document
pdf.SaveAs("XGBoost_Report.pdf")
print("PDF document generated successfully.")

import xgboost as xgb
import numpy as np
from ironpdf import *     
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# Load data
boston = load_boston()
X = boston.data
y = boston.target

# Split data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Create DMatrix
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# Set parameters
params = {
    'objective': 'reg:squarederror',
    'max_depth': 4,
    'eta': 0.1,
    'subsample': 0.8,
    'colsample_bytree': 0.8,
    'seed': 42
}

# Train model
num_round = 100
bst = xgb.train(params, dtrain, num_round)

# Make predictions
preds = bst.predict(dtest)
mse = mean_squared_error(y_test, preds)

# Create a PDF document using IronPDF
iron_pdf = ChromePdfRenderer()

# Create HTML content
html_content = f"""
<html>
<head>
    <title>XGBoost Model Report</title>
</head>
<body>
    <h1>XGBoost Model Report</h1>
    <p>Mean Squared Error: {mse}</p>
    <h2>Predictions</h2>
    <ul>
        {''.join([f'<li>{pred}</li>' for pred in preds])}
    </ul>
</body>
</html>
"""

pdf = iron_pdf.RenderHtmlAsPdf(html_content)

# Save the PDF document
pdf.SaveAs("XGBoost_Report.pdf")
print("PDF document generated successfully.")

이제 데이터를 효율적으로 처리하기 위해 DMatrix 클래스의 객체를 생성하고, 목적 함수 및 하이퍼파라미터와 관련된 모델 매개변수를 설정합니다. XGBoost 모델 학습 후 테스트 세트에서 예측합니다. 평균 제곱 오차 또는 이와 유사한 지표를 사용하여 성능을 평가할 수 있습니다. 다음으로, IronPDF 사용하여 모든 결과를 포함하는 PDF 파일을 생성하십시오.

모든 결과를 포함하는 HTML 표현을 생성합니다. 그런 다음 IronPDF의 ChromePdfRenderer 클래스를 사용하여 이 HTML 콘텐츠를 PDF 문서로 변환합니다. 마지막으로 생성된 PDF 보고서를 원하는 위치에 저장할 수 있습니다. 이 통합 기능을 통해 머신러닝 모델에서 도출된 인사이트를 요약한 매우 정교하고 전문적인 보고서를 자동으로 생성할 수 있습니다.