در این مطلب، ویدئو آموزش پایتون: چه زمانی باید از XGBoost استفاده کنم؟ با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:01:49
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,580 –> 00:00:05,090
بنابراین با توجه به همه چیزهایی که در مورد تقویت XG گفتیم،
2
00:00:05,090 –> 00:00:07,520
باید و نباید از
3
00:00:07,520 –> 00:00:11,240
آن استفاده کنید، زیرا قبلاً کمی
4
00:00:11,240 –> 00:00:13,730
در مورد زمان و مکان X مکعبی که شما امضا می کنید صحبت کرده ام
5
00:00:13,730 –> 00:00:15,740
برخی از این موارد نباید
6
00:00:15,740 –> 00:00:17,960
برای شما تعجب آور باشد.
7
00:00:17,960 –> 00:00:20,210
استفاده از XG Boost را برای هر
8
00:00:20,210 –> 00:00:22,070
کار یادگیری ماشینی تحت نظارتی که با
9
00:00:22,070 –> 00:00:24,740
معیارهای زیر مطابقت دارد در نظر بگیرید،
10
00:00:24,740 –> 00:00:27,109
تعداد مثالهای آموزشی زیادی دارید، اگرچه
11
00:00:27,109 –> 00:00:29,150
تعریف شما از بزرگ میتواند متفاوت باشد،
12
00:00:29,150 –> 00:00:31,670
من قصد دارم مجموعه دادهای را به معنای مجموعه دادهای باشد که
13
00:00:31,670 –> 00:00:33,710
حداقل در هزار نمونه دارای ویژگیهای کمی است.
14
00:00:33,710 –> 00:00:37,370
به طور کلی تا زمانی
15
00:00:37,370 –> 00:00:39,110
که تعداد ویژگیهای مجموعه آموزشی شما
16
00:00:39,110 –> 00:00:41,330
کمتر از تعداد
17
00:00:41,330 –> 00:00:44,350
نمونههایی است که دارید، باید خوب باشید،
18
00:00:44,350 –> 00:00:47,990
در نهایت تقویت XG زمانی
19
00:00:47,990 –> 00:00:49,820
که ترکیبی از ویژگیهای دستهبندی و
20
00:00:49,820 –> 00:00:52,430
عددی دارید یا زمانی که فقط ویژگیهای عددی دارید، به خوبی انجام میشود.
21
00: