Boosting pour le revenu prédit

Le modèle initial a obtenu une RMSE d'environ 7.34. Voyons si nous pouvons l'améliorer avec une itération de boosting.

Vous allez construire une autre régression linéaire, mais cette fois les valeurs cibles sont les erreurs du modèle de base, calculées comme suit :

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

Pour ce modèle, vous utiliserez plutôt la caractéristique 'popularity', en espérant qu'elle fournisse des tendances plus informatives que la seule caractéristique 'budget'. Elles sont disponibles sous X_train_pop et X_test_pop. Comme dans l'exercice précédent, les caractéristiques d'entrée ont été normalisées pour vous.

Cette activité fait partie du cours

Méthodes d'ensemble en Python

Voir le cours

Instructions de l’exercice

Entraînez un modèle de régression linéaire sur les erreurs précédentes en utilisant X_train_pop et y_train_error.
Calculez les erreurs prédites sur l'ensemble de test, X_test_pop.
Calculez la RMSE, comme dans l'exercice précédent, en utilisant y_test_error et pred_error.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))

Modifier et exécuter le code