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

<cours>Méthodes d’ensemble en Python</cours>

Voir le cours

Instructions de l’exercice

Créez et ajustez un AdaBoostRegressor en utilisant 12 estimateurs. 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 ce code d’exemple.

# 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))

Modifier et exécuter le code