Boosting para predecir ingresos
El modelo inicial obtuvo un RMSE de alrededor de 7.34. Veamos si podemos mejorarlo usando una iteración de boosting.
Vas a construir otra regresión lineal, pero esta vez los valores objetivo son los errores del modelo base, calculados así:
y_train_error = pred_train - y_train
y_test_error = pred_test - y_test
Para este modelo usarás la característica 'popularity', con la esperanza de que aporte patrones más informativos que usar solo la característica 'budget'. Tienes esto disponible como X_train_pop y X_test_pop. Como en el ejercicio anterior, las características de entrada ya se han estandarizado por ti.
Este ejercicio forma parte del curso
Ensemble Methods in Python
Instrucciones del ejercicio
- Ajusta un modelo de regresión lineal a los errores anteriores usando
X_train_popyy_train_error. - Calcula los errores predichos en el conjunto de prueba,
X_test_pop. - Calcula el RMSE, como en el ejercicio anterior, usando
y_test_errorypred_error.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Fit a linear regression model to the previous errors
reg_error = LinearRegression()
____
# Calculate the predicted errors on the test set
pred_error = ____
# Evaluate the updated performance
rmse_error = ____
print('RMSE: {:.3f}'.format(rmse_error))