Prédire la cote d'une application

Après avoir exploré l'ensemble de données sur les applications Google dans l'exercice précédent, construisons maintenant un modèle qui prédit la cote d'une application à partir d'un sous-ensemble de ses caractéristiques.

Pour ce faire, vous utiliserez le DecisionTreeRegressor de scikit-learn. Comme les arbres de décision sont les blocs de base de nombreux modèles d'ensemble, revoir leur fonctionnement vous sera utile tout au long du cours.

Nous utiliserons la MAE (erreur absolue moyenne) comme mesure d'évaluation. Cette mesure est très facile à interpréter, car elle représente l'écart absolu moyen entre les cotes réelles et prédites.

Tous les modules requis ont déjà été importés pour vous. Les caractéristiques et la cible sont disponibles dans les variables X et y, respectivement.

Cette activité fait partie du cours

Méthodes d'ensemble en Python

Voir le cours

Instructions de l’exercice

Utilisez train_test_split() pour diviser X et y en ensembles d'entraînement et de test. Utilisez 20 %, ou 0.2, comme taille de l'ensemble de test.
Instanciez un DecisionTreeRegressor(), reg_dt, avec les hyperparamètres suivants : min_samples_leaf = 3 et min_samples_split = 9.
Ajustez le régleur sur l'ensemble d'entraînement en utilisant .fit().
Prédisez les étiquettes de l'ensemble de test en utilisant .predict().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Split into train (80%) and test (20%) sets
X_train, X_test, y_train, y_test = ____(____, ____, ____, random_state=42)

# Instantiate the regressor
reg_dt = ____(____, ____, random_state=500)

# Fit to the training set
____

# Evaluate the performance of the model on the test set
y_pred = ____
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, y_pred)))

Modifier et exécuter le code