Modellqualität bewerten
Jetzt ist es an der Zeit, die Modellqualität zu bewerten.
Hier vergleichst du RMSE und MAE eines per Cross-Validation validierten XGBoost-Modells auf den Ames-Housing-Daten. Wie in den vorherigen Übungen sind alle benötigten Module vorab geladen und die Daten stehen dir im DataFrame df zur Verfügung.
Diese Übung ist Teil des Kurses
<Kurs>Extreme Gradient Boosting mit XGBoost</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Create the DMatrix: housing_dmatrix
housing_dmatrix = xgb.DMatrix(data=X, label=y)
# Create the parameter dictionary: params
params = {"objective":"reg:squarederror", "max_depth":4}
# Perform cross-validation: cv_results
cv_results = ____(dtrain=____, params=____, nfold=____, num_boost_round=____, metrics=____, as_pandas=True, seed=123)
# Print cv_results
print(cv_results)
# Extract and print final boosting round metric
print((cv_results["____"]).tail(1))