Tirer le meilleur parti d’AdaBoost

Comme vous l’avez vu, pour prédire les revenus des films, AdaBoost donne les meilleurs résultats avec des arbres de décision comme estimateur de base.

Dans cet exercice, vous allez préciser certains paramètres pour extraire encore plus de performance. En particulier, vous utiliserez un taux d’apprentissage plus faible pour des mises à jour plus progressives des hyperparamètres. En conséquence, le nombre d’estimateurs devra augmenter. De plus, les caractéristiques suivantes ont été ajoutées aux données : 'runtime', 'vote_average' et 'vote_count'.

Cet exercice fait partie du cours

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

Voir le cours

Instructions de l’exercice

Construisez un AdaBoostRegressor avec 100 estimateurs et un taux d’apprentissage de 0.01.
Ajustez reg_ada sur l’ensemble d’entraînement et calculez les prédictions sur l’ensemble de test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Build and fit an 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