XGBoost مع التوقف المبكر
إيقاف إضافة الأشجار عندما يتوقف تحسن مجموعة التحقق.
الهدف: تدريب نموذج على أعمدة فئوية دون ترميز One-Hot.
import numpy as np, pandas as pd, lightgbm as lgb
from sklearn.model_selection import train_test_split
rng = np.random.default_rng(0)
n = 2000
df = pd.DataFrame({"city": rng.choice(["A", "B", "C", "D"], n), "x": rng.normal(size=n)})
y = ((df["city"].isin(["B", "D"])) & (df["x"] > 0)).astype(int)
df["city"] = df["city"].astype("category")
X_tr, X_te, y_tr, y_te = train_test_split(df, y, test_size=0.3, random_state=0)
clf = lgb.LGBMClassifier(n_estimators=100, verbose=-1, random_state=0).fit(X_tr, y_tr)
print(f"دقة الاختبار: {clf.score(X_te, y_te):.3f}")
print("أهمية السمات:", {c: int(v) for c, v in zip(df.columns, clf.feature_importances_)})
عندما يكون نوع العمود category في pandas يتعامل LightGBM معه مباشرة ويبحث عن أفضل تقسيم للفئات. البيانات هنا مصطنعة بقاعدة معروفة لنرى أن النموذج يكتشفها.
دقة الاختبار: 1.000
أهمية السمات: {'city': 86, 'x': 1284}نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — lightgbm 4.7.0, pandas 3.1.1, scikit-learn 1.9.1, python 3.13.18
إيقاف إضافة الأشجار عندما يتوقف تحسن مجموعة التحقق.
تمرير أعمدة فئوية نصية كما هي إلى النموذج.
الأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا المساعد الذكي لأطر ومكتبات الذكاء الاصطناعي. صف مشروعك أو اسألني عن مكتبة أو مقارنة أو مثال برمجي، وسأجيبك من قاعدة بيانات الموسوعة مع الروابط والمصادر.
يجيب من قاعدة بيانات الموسوعة فقط، دون نموذج لغوي ودون إرسال سؤالك إلى أي جهة خارجية.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.