Évaluer la qualité du modèle
Il est maintenant temps de commencer à évaluer la qualité du modèle.
Ici, vous comparerez la RMSE et la MAE d'un modèle XGBoost avec validation croisée sur les données de logement d'Ames. Comme dans les exercices précédents, tous les modules nécessaires ont été préchargés et les données sont disponibles dans le DataFrame df.
Cette activité fait partie du cours
Amorçage de gradient avancé avec XGBoost
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create the DMatrix: housing_dmatrix
housing_dmatrix = xgb.DMatrix(data=X, label=y)
# Create the parameter dictionary: params
params = {"objective":"reg:squarederror", "max_depth":4}
# Perform cross-validation: cv_results
cv_results = ____(dtrain=____, params=____, nfold=____, num_boost_round=____, metrics=____, as_pandas=True, seed=123)
# Print cv_results
print(cv_results)
# Extract and print final boosting round metric
print((cv_results["____"]).tail(1))