Régression AdaBoost à base d'arbres
Les modèles AdaBoost sont généralement construits avec des arbres de décision comme estimateurs de base. Essayons-le maintenant pour voir si la performance du modèle s'améliore encore.
Nous utiliserons douze estimateurs, comme précédemment, afin de permettre une comparaison équitable. Pas besoin d'instancier l'arbre de décision, puisqu'il s'agit de l'estimateur de base par défaut.
Cette activité fait partie du cours
Méthodes d'ensemble en Python
Instructions de l’exercice
- Créez et ajustez un
AdaBoostRegressoren utilisant12estimateurs. Vous n'avez pas à préciser un estimateur de base. - Calculez les prédictions sur l'ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Build and fit a tree-based 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))