Dein erstes AdaBoost-Modell
In der vorherigen Lektion hast du Modelle gebaut, um den Log-Umsatz von Filmen vorherzusagen. Du hast mit einer einfachen linearen Regression begonnen und ein RMSE von 7.34 erreicht. Dann hast du versucht, es mit einer Iteration von Boosting zu verbessern, und bist auf ein niedrigeres RMSE von 7.28 gekommen.
In dieser Übung baust du dein erstes AdaBoost-Modell – einen AdaBoostRegressor – um die Leistung noch weiter zu steigern.
Der movies-Datensatz wurde geladen und in Trainings- und Testdaten aufgeteilt. Hier verwendest du die Features 'budget' und 'popularity', die für dich bereits mit StandardScaler() aus dem Modul sklearn.preprocessing standardisiert wurden.
Diese Übung ist Teil des Kurses
Ensemble-Methoden in Python
Anleitung zur Übung
- Instanziiere das Standardmodell der linearen Regression.
- Baue und fitte einen
AdaBoostRegressor, wobei du die lineare Regression als Basismodell und12Schätzer verwendest. - Berechne die Vorhersagen auf dem Test-Set.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Instantiate the default linear regression model
reg_lm = ____
# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)
# Calculate the predictions on the test set
pred = ____
# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))