Blending modelů
Začneme vytvářet ensemble modelů pomocí techniky blending.
Tvým cílem je natrénovat 2 různé modely na datech ze soutěže New York City Taxi. Vytvoříš predikce na testovacích datech a pak je zkombinuješ pomocí jednoduchého aritmetického průměru.
DataFramy train a test jsou v tvém workspace již k dispozici. features je seznam sloupců, které se použijí k trénování, a také je dostupný v workspace. Název cílové proměnné je "fare_amount".
Toto cvičení je součástí kurzu
Jak vyhrát soutěž na Kaggle v Pythonu
Pokyny k cvičení
- Natrénuj model Gradient Boosting na trénovacích datech s použitím seznamu
featuresa sloupce "fare_amount" jako cílové proměnné. - Stejným způsobem natrénuj model Random Forest.
- Vytvoř predikce na testovacích datech pomocí obou modelů – Gradient Boosting i Random Forest.
- Vypočítej průměr predikcí obou modelů.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Train a Gradient Boosting model
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model
rf = RandomForestRegressor().____(____[features], ____.fare_amount)
# Make predictions on the test data
test['gb_pred'] = ____.____(test[features])
test['rf_pred'] = ____.____(test[features])
# Find mean of model predictions
test['blend'] = (____[____] + ____[____]) / 2
print(test[['gb_pred', 'rf_pred', 'blend']].head(3))