XGBoost Python (Nasıl Çalışir: Geliştiriciler İçin Bir Kılavuz)

XGBoost Python Özellikleri

XGBoost'u Yükle

Öncelikle, sisteminizde XGBoost paketinin olup olmadığını kontrol edin. pip ile bilgisayarınıza yükleyebilirsiniz:

pip install xgboost

pip install xgboost

Kütüphaneleri İçe Aktar

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

Verileri Hazırlayın

Bu örnekte, Boston konut veri setini kullanacağız:

# 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)

DMatrix Oluşturun

XGBoost, eğitim için DMatrix adı verilen kendine özgü bir veri yapısı kullanır.

# 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)

Parametreleri Ayarlayın

Model parametrelerini yapılandırın. Örnek bir yapılandırma aşağıdaki gibidir:

# 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
}

Modeli Eğitin

Bir XGBoost modelini eğitmek için train metodunu kullanın.

# 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)

Tahmin Yap

Şimdi, bu eğitilmiş modeli kullanarak test setine tahminler yapın.

# Make predictions
preds = bst.predict(dtest)

# Make predictions
preds = bst.predict(dtest)

Modeli Değerlendirin

Makine öğrenimi modelinin performansını uygun bir metrik ölçümü ile kontrol edin — örneğin, karekök ortalama kare hata:

# 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}")

Modeli Kaydedin ve Yükleyin

Eğitilmiş modeli bir dosyaya kaydedebilir ve gerekirse daha sonra yükleyebilirsiniz:

# 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 nedir?

pip install ironpdf

XGBoost Python'u IronPDF ile Birleştirin

Tüm ilgili kütüphaneleri ithal edin ve veri setinizi yükleyin. Bizim durumumuzda, Boston konut veri setini kullanacağız:

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.")

Şimdi, verilerinizi etkin bir şekilde işlemek için DMatrix sınıfından nesneler oluşturacaksınız, ardından hedef fonksiyona ve hiperparametrelere göre model parametrelerini ayarlayın. XGBoost modelini eğittikten sonra, test seti üzerinde tahmin yapın; performansı değerlendirmek için Ortalama Karesel Hata veya benzeri metrikler kullanabilirsiniz. Ardından tüm sonuçları içeren bir PDF oluşturmak için IronPDF kullanın.

Tüm sonuçlarınızı içeren bir HTML temsili oluşturun; sonra, bu HTML içeriğini bir PDF belgesine dönüştürmek için IronPDF'in ChromePdfRenderer sınıfını kullanacaksınız. Son olarak, bu üretilen PDF raporunu istenilen bir konuma kaydedebilirsiniz. Bu entegrasyon, makine öğrenimi modellerinden elde edilen içgörülerin kapsama alındığı çok detaylı, profesyonel raporlar oluşturmayı otomatik hale getirmenizi sağlayacaktır.