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
Extreme Gradient Boosting mit XGBoost
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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))