1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Ensemble Methods in Python
Connected

cvičení

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.

Pokyny

100 XP
  • 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.