Dein XGBoost-Modell per Cross-Validation prüfen

In dieser Übung gehst du einen Schritt weiter und verwendest die erstellte Pipeline, um dein Modell sowohl vorzuverarbeiten als auch per Cross-Validation zu prüfen.

Diese Übung ist Teil des Kurses

Extreme Gradient Boosting mit XGBoost

Kurs anzeigen

Anleitung zur Übung

Erstelle eine Pipeline namens xgb_pipeline mit steps.
Führe eine 10-fache Cross-Validation mit cross_val_score() durch. Du musst die Pipeline, X (als Dictionary mit .to_dict("records")), y, die gewünschte Anzahl an Folds und scoring ("neg_mean_squared_error") übergeben.
Gib die 10-fache RMSE aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import necessary modules
from sklearn.feature_extraction import DictVectorizer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", DictVectorizer(sparse=False)),
         ("xgb_model", xgb.XGBRegressor(max_depth=2, objective="reg:squarederror"))]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Cross-validate the model
cross_val_scores = ____

# Print the 10-fold RMSE
print("10-fold RMSE: ", np.mean(np.sqrt(np.abs(____))))

Code bearbeiten und ausführen