Caractéristiques arithmétiques
Pour vous exercer à créer de nouvelles caractéristiques, vous allez travailler avec un sous-échantillon de la compétition Kaggle « House Prices: Advanced Regression Techniques ». L'objectif de cette compétition est de prédire le prix d'une maison à partir de ses propriétés. Il s'agit d'un problème de régression où la mesure d'évaluation est la racine de l'erreur quadratique moyenne (Root Mean Squared Error).
Votre objectif est de créer de nouvelles caractéristiques et de déterminer si elles améliorent votre pointage de validation. Pour obtenir le pointage de validation à partir d'une validation croisée à 5 volets, on vous fournit la fonction get_kfold_rmse(). Utilisez-la avec le DataFrame train, disponible dans votre espace de travail, comme argument.
Cette activité fait partie du cours
Remporter une compétition Kaggle en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Look at the initial RMSE
print('RMSE before feature engineering:', get_kfold_rmse(train))
# Find the total area of the house
train['TotalArea'] = ____[____] + ____[____] + ____[____]
# Look at the updated RMSE
print('RMSE with total area:', get_kfold_rmse(train))