09. XGBoost




竞赛中的XGBoost

在链接https://github.com/dmlc/xgboost/tree/master/demo#machine-learning-challenge-winning-solutions中，有一系列基于XGBoost的解决方案，在各种竞赛中取得较好成绩。

Estimator

您可以阅读有关Estimator的文档https://sagemaker.readthedocs.io/en/latest/estimators.html，以获取有关此对象的更多信息。从本质上讲，Estimator是一个对象，它指定了有关如何训练模型的一些细节。它使您能够创建和部署模型。

Training

Training用于培训特定的Estimator。
当您要求执行Training时，您需要提供一些设置：

  1. S3上用于存储训练（可能是验证）数据的位置，
  2. S3上将存储结果模型的位置（此数据称为模型工件），
  3. docker容器的位置（当然，如果使用内置算法就是这种情况）
  4. 训练应该使用的计算实例的描述。

一旦提供了所有这些信息，SageMaker将执行必要的实例（CPU或GPU），加载必要的docker容器并执行它，传入训练数据的位置。然后，当容器完成对模型的训练时，模型工件被打包并存储在S3上。
在本文档中https://docs.aws.amazon.com/sagemaker/latest/dg/ex1-train-model-create-training-job.html，您可以看到KMeans Estimator的示例。
这个示例定义了KMeans estimator，并使用 .fit()来训练该模型。稍后，我们将向您展示一个Low-level模型，在low-level中需要指定有关training的更多详细信息。

Next Concept