Křížová validace tvého XGBoost modelu

V tomto cvičení půjdeš o krok dál – použiješ vytvořený pipeline k předzpracování dat a zároveň ke křížové validaci modelu.

Toto cvičení je součástí kurzu

Extreme Gradient Boosting with XGBoost

Zobrazit kurz

Pokyny k cvičení

Vytvoř pipeline s názvem xgb_pipeline pomocí steps.
Proveď 10-násobnou křížovou validaci pomocí cross_val_score(). Předej jí pipeline, X (jako slovník pomocí .to_dict("records")), y, počet složek a parametr scoring ("neg_mean_squared_error").
Vypiš 10-násobné RMSE.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import necessary modules
from sklearn.feature_extraction import DictVectorizer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", DictVectorizer(sparse=False)),
         ("xgb_model", xgb.XGBRegressor(max_depth=2, objective="reg:squarederror"))]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Cross-validate the model
cross_val_scores = ____

# Print the 10-fold RMSE
print("10-fold RMSE: ", np.mean(np.sqrt(np.abs(____))))

Upravit a spustit kód