Zpět k regresi se stackingem

V 1. kapitole jsme hodnocení aplikací řešili jako regresní problém a předpovídali jsme hodnocení v intervalu od 1 do 5. V této kapitole jsme se na něj dívali jako na klasifikační problém a zaokrouhlovali jsme hodnocení na nejbližší celé číslo. Abys procvičil/a použití StackingRegressor, vrátíme se k regresnímu přístupu. Vstupní příznaky jsou jako vždy standardizované pomocí StandardScaler().

Hodnoticí metrikou je MAE (střední absolutní chyba). V 1. kapitole byla MAE přibližně 0.61. Podívejme se, jestli metoda stacking dokáže tuto chybu snížit.

Toto cvičení je součástí kurzu

Ensemble Methods in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř instanci regresoru rozhodovacího stromu s parametry: min_samples_leaf = 11 a min_samples_split = 33.
Vytvoř instanci výchozí lineární regrese.
Vytvoř instanci modelu Ridge s parametrem random_state = 500.
Sestav a natrénuj StackingRegressor, přičemž mu předej regressors a meta_regressor.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))

Upravit a spustit kód