Zurück zur Regression mit Stacking

In Kapitel 1 haben wir die App-Bewertungen als Regressionsproblem behandelt und die Bewertung im Intervall von 1 bis 5 vorhergesagt. Bisher in diesem Kapitel haben wir sie als Klassifikationsproblem betrachtet und die Bewertung auf die nächste ganze Zahl gerundet. Um die Arbeit mit dem StackingRegressor zu üben, gehen wir wieder zur Regressionsvariante zurück. Wie üblich wurden die Eingabemerkmale für dich mit einem StandardScaler() standardisiert.

Die MAE (mittlere absolute Abweichung) ist die Bewertungsmetrik. In Kapitel 1 lag die MAE bei etwa 0.61. Schauen wir, ob die Stacking-Ensemble-Methode diesen Fehler reduzieren kann.

Diese Übung ist Teil des Kurses

<Kurs>Ensemble-Methoden in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Instanziiere einen Entscheidungsbaum-Regressor mit: min_samples_leaf = 11 und min_samples_split = 33.
Instanziiere die Standard-Lineare-Regression.
Instanziiere ein Ridge-Regressionsmodell mit random_state = 500.
Erstelle und fitte einen StackingRegressor, und übergib dabei die regressors und den meta_regressor.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))

Code bearbeiten und ausführen