Régression AdaBoost basée sur des arbres
Les modèles AdaBoost sont généralement construits avec des arbres de décision comme estimateurs de base. Essayons maintenant pour voir si les performances du modèle s’améliorent encore.
Nous utiliserons douze estimateurs comme précédemment pour une comparaison équitable. Inutile d’instancier l’arbre de décision, c’est l’estimateur de base par défaut.
Cet exercice fait partie du cours
Méthodes d’ensemble en Python
Instructions
- Créez et ajustez un
AdaBoostRegressoren utilisant12estimateurs. Vous n’avez pas à spécifier d’estimateur de base. - Calculez les prédictions sur l’ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))