> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.
> Intégrez W&B à XGBoost pour journaliser automatiquement les métriques de gradient boosting, l’importance des variables et les performances du modèle.
# XGBoost
export const ColabLink = ({url}) =>
Try in Colab
;
Cette page explique comment utiliser l’intégration W\&B avec XGBoost pour consigner automatiquement les métriques de gradient boosting, les configurations de modèle, l’importance des variables et les boosters entraînés, afin de suivre, de comparer et de reproduire vos expériences XGBoost.
Le SDK Python W\&B (`wandb`) fournit le callback `WandbCallback`, qui journalise les métriques, les configurations et les boosters enregistrés lors de l’entraînement avec XGBoost. Consultez un [tableau de bord W\&B en direct](https://wandb.ai/morg/credit_scorecard) qui présente les sorties du `WandbCallback` de XGBoost.
Premiers pas
Pour journaliser les métriques, les configurations et les modèles booster XGBoost dans W\&B, passez `WandbCallback` à XGBoost :
```python theme={"system"}
import wandb
from wandb.integration.xgboost import WandbCallback
from xgboost import XGBClassifier
...
# Démarrer un run wandb
with wandb.init() as run:
# Transmettre WandbCallback au modèle
bst = XGBClassifier()
bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])
```
Pour découvrir en détail la journalisation avec XGBoost et W\&B, consultez le [notebook sur la journalisation avec XGBoost et W\&B](https://wandb.me/xgboost).
Référence de `WandbCallback`
Fonctionnalités
Transmettre `WandbCallback` à un modèle XGBoost permet de :
* Journaliser dans W\&B la configuration du modèle booster.
* Journaliser dans W\&B les métriques d’évaluation collectées par XGBoost, telles que `rmse`, la précision, etc.
* Journaliser les métriques d’entraînement collectées par XGBoost (si vous fournissez des données à `eval_set`).
* Journaliser le meilleur score et la meilleure itération.
* Enregistrer et téléverser votre modèle entraîné dans W\&B Artifacts (lorsque `log_model = True`).
* Journaliser le graphique d’importance des variables lorsque `log_feature_importance=True` (par défaut).
* Capturer la meilleure métrique d’évaluation dans `wandb.Run.summary` lorsque `define_metric=True` (par défaut).
Arguments
* `log_model` : (booléen) si True, enregistre le modèle et le téléverse dans W\&B Artifacts.
* `log_feature_importance` : (booléen) si True, journalise un diagramme en barres de l’importance des variables.
* `importance_type` : (str) l’une des valeurs `{weight, gain, cover, total_gain, total_cover}` pour un modèle à base d’arbres, ou `weight` pour un modèle linéaire.
* `define_metric` : (booléen) si True (par défaut), capture dans votre `run.summary` les performances du modèle à la meilleure étape de l’entraînement, plutôt qu’à la dernière.
Consultez le [code source de WandbCallback](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py).
Pour d’autres exemples, consultez le [dépôt d’exemples sur GitHub](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms).
Ajuster vos hyperparamètres avec Sweeps
W\&B [Sweeps](/fr/products/wandb/sweeps) est une boîte à outils permettant de configurer, d’orchestrer et d’analyser des expériences de test d’hyperparamètres. Cette section explique comment associer l’intégration XGBoost à W\&B Sweeps pour explorer différentes configurations d’hyperparamètres.
Pour améliorer les performances du modèle, ajustez des hyperparamètres tels que la profondeur des arbres et le taux d’apprentissage.
Vous pouvez également essayer ce [script Python XGBoost et Sweeps](https://github.com/wandb/examples/blob/master/examples/wandb-sweeps/sweeps-xgboost/xgboost_tune.py).
