AdaBoost na maximum

Jak jsi viděl/a, pro predikci tržeb filmů dává AdaBoost nejlepší výsledky s rozhodovacími stromy jako základním estimátorem.

V tomto cvičení nastavíš několik parametrů, abys z modelu vytěžil/a ještě více. Konkrétně použiješ nižší learning rate pro plynulejší aktualizaci hyperparametrů – proto by měl počet estimátorů vzrůst. Do dat byly navíc přidány tyto příznaky: 'runtime', 'vote_average' a 'vote_count'.

Toto cvičení je součástí kurzu

Ensemble Methods in Python

Zobrazit kurz

Pokyny k cvičení

Sestav AdaBoostRegressor se 100 estimátory a learning rate 0.01.
Natrénuj reg_ada na trénovací sadě a vypočítej predikce na testovací sadě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))

Upravit a spustit kód