IBOK

출처: https://xgboost.readthedocs.io/en/stable/gpu/index.html XGBoost GPU Support — xgboost 1.5.2 documentation XGBoost GPU Support This page contains information about GPU algorithms supported in XGBoost. Note CUDA 10.0, Compute Capability 3.5 required The GPU algorithms in XGBoost require a graphics card with compute capability 3.5 or higher, with CUDA toolkits 10 xgboost.readthedocs.io CUDA 10...

Scikit-learn의 sklean.metric.roc_curve 는 binary label에 대해서만 사용할 수 있다. 이를 이용해 Multiclass ROC Curve를 구하고 그리려면 각 class에 대해 ROC curve를 계산하고 각각 plotting해야 한다. from sklearn.metrics import roc_curve import matplotlib.pyplot as plt for i in range(y.shape[-1]): fprs, tprs, _ = roc_curve(y[:,i], y_pred[:,i]) #calculate fprs and tprs for each class plt.plot(fprs,tprs,label='{}'.format(i)) #plot roc curve of..

- 목차 - - SGDClassifier (Linear SGD Classifier) - NuSVC (SVM with nonlinear kernel) - KNeighborsCLassifier (KNN Classifier) - MLPClssifier (MLP) I. SGDClassifier from sklearn.linear_model import SGDClassifier model = SGDClassifier(loss='hinge', penalty='l2', alpha=0.0001, max_iter=1000) SGD training을 이용한 SGD Classifier이다. 주요 Parameters: - loss: 'hinge', 'log', 'modified_huber', 'squared_hinge', '..

from sklearn.linear_model import LogisticRegression model = LogisticRegression() 주요 arguments max_iter: iteration의 최대치 (default: 100) penalty: penalization에 사용되는 norm의 종류. Solver의 종류에 따라 사용 가능한 penalty의 종류가 상이하기 때문에 docs를 확인해야 함. {'l1', 'l2', 'elasticnet', 'none'}, (default: 'l2') 'elasticnet' 의 경우 l1+l2 penalty를 함께 사용하며, l1_ratio parameter를 통해 그 비율을 조정할 수 있다. solver: optimization에 사용되는 algorith..