De vuelta a la regresión con stacking
En el Capítulo 1, tratamos las valoraciones de las apps como un problema de regresión, prediciendo la valoración en el intervalo de 1 a 5. Hasta ahora, en este capítulo lo hemos abordado como un problema de clasificación, redondeando la valoración al entero más cercano. Para practicar con StackingRegressor, volveremos al enfoque de regresión.
Como siempre, las variables de entrada ya se han estandarizado por ti con StandardScaler().
La métrica de evaluación es el MAE (mean absolute error). En el Capítulo 1, el MAE fue aproximadamente 0.61. Veamos si el método de stacking puede reducir ese error.
Este ejercicio forma parte del curso
Ensemble Methods in Python
Instrucciones del ejercicio
- Instancia un regresor de árbol de decisión con:
min_samples_leaf = 11ymin_samples_split = 33. - Instancia la regresión lineal por defecto.
- Instancia un modelo de regresión
Ridgeconrandom_state = 500. - Construye y ajusta un
StackingRegressor, pasando losregressorsy elmeta_regressor.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____
# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()
# Build the Stacking regressor
reg_stack = ____
reg_stack.____
# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))