Validación cruzada de tu modelo de XGBoost

En este ejercicio, darás un paso más utilizando el pipeline que has creado para preprocesar y hacer la validación cruzada de tu modelo.

Este ejercicio forma parte del curso

Extreme Gradient Boosting con XGBoost

Ver curso

Instrucciones del ejercicio

Crea un pipeline llamado xgb_pipeline usando steps.
Realiza una validación cruzada de 10 particiones con cross_val_score(). Tendrás que pasar el pipeline, X (como diccionario, usando .to_dict("records")), y, el número de particiones que quieres usar y scoring ("neg_mean_squared_error").
Imprime el RMSE de 10 particiones.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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(____))))

Editar y ejecutar código