Predecir la valoración de una app

Después de explorar el conjunto de datos de apps de Google en el ejercicio anterior, ahora vamos a construir un modelo que prediga la valoración de una app a partir de un subconjunto de sus características.

Para ello, usarás el DecisionTreeRegressor de scikit-learn. Como los árboles de decisión son la base de muchos modelos de conjunto (ensemble), repasar cómo funcionan te vendrá muy bien a lo largo de este curso.

Usaremos el MAE (mean absolute error) como métrica de evaluación. Esta métrica es muy interpretable, ya que representa la diferencia absoluta media entre las valoraciones reales y las predichas.

Todos los módulos necesarios ya se han importado por ti. Las características y el objetivo están disponibles en las variables X y y, respectivamente.

Este ejercicio forma parte del curso

Ensemble Methods in Python

Ver curso

Instrucciones del ejercicio

Usa train_test_split() para dividir X e y en conjuntos de entrenamiento y prueba. Utiliza un 20 %, o 0.2, como tamaño de prueba.
Instancia un DecisionTreeRegressor(), reg_dt, con los siguientes hiperparámetros: min_samples_leaf = 3 y min_samples_split = 9.
Ajusta el regresor al conjunto de entrenamiento usando .fit().
Predice las etiquetas del conjunto de prueba usando .predict().

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Split into train (80%) and test (20%) sets
X_train, X_test, y_train, y_test = ____(____, ____, ____, random_state=42)

# Instantiate the regressor
reg_dt = ____(____, ____, random_state=500)

# Fit to the training set
____

# Evaluate the performance of the model on the test set
y_pred = ____
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, y_pred)))

Editar y ejecutar código