Sacando el máximo partido a AdaBoost

Como has visto, para predecir los ingresos de películas, AdaBoost ofrece los mejores resultados cuando usa árboles de decisión como estimador base.

En este ejercicio, vas a especificar algunos parámetros para exprimir aún más el rendimiento. En particular, usarás una tasa de aprendizaje más baja para actualizar los hiperparámetros de forma más suave. Por lo tanto, debería aumentar el número de estimadores. Además, se han añadido las siguientes características a los datos: 'runtime', 'vote_average' y 'vote_count'.

Este ejercicio forma parte del curso

Ensemble Methods in Python

Ver curso

Instrucciones del ejercicio

Crea un AdaBoostRegressor con 100 estimadores y una tasa de aprendizaje de 0.01.
Ajusta reg_ada al conjunto de entrenamiento y calcula las predicciones en el conjunto de prueba.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))

Editar y ejecutar código