Tirer le maximum d'AdaBoost
Comme vous l'avez vu, pour prédire les revenus des films, AdaBoost donne les meilleurs résultats avec des arbres de décision comme estimateur de base.
Dans cet exercice, vous allez préciser certains paramètres pour en tirer encore plus de performance. Plus précisément, vous utiliserez un taux d'apprentissage plus faible afin d'actualiser les hyperparamètres de manière plus graduelle. Par conséquent, le nombre d'estimateurs devrait augmenter. De plus, les caractéristiques suivantes ont été ajoutées aux données : 'runtime', 'vote_average' et 'vote_count'.
Cette activité fait partie du cours
Méthodes d'ensemble en Python
Instructions de l’exercice
- Construisez un
AdaBoostRegressoren utilisant100estimateurs et un taux d'apprentissage de0.01. - Ajustez
reg_adasur l'ensemble d'entraînement et calculez les prédictions sur l'ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Build and fit an 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))