Stacking modelů I
Teď přichází na řadu stacking. K jeho implementaci použiješ 6 kroků, které jsme probrali v předchozím videu:
- Rozděl trénovací data na dvě části
- Natrénuj více modelů na části 1
- Proveď predikce na části 2
- Proveď predikce na testovacích datech
- Natrénuj nový model na části 2 s využitím predikcí jako příznaků
- Proveď predikce na testovacích datech pomocí modelu 2. úrovně
DataFramy train a test jsou už dostupné v tvém pracovním prostředí. features je seznam sloupců, které se použijí pro trénování na datech části 1, a je také dostupný v tvém pracovním prostředí. Název cílové proměnné je "fare_amount".
Toto cvičení je součástí kurzu
Jak vyhrát soutěž na Kaggle v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)