Évaluer la qualité du modèle
Il est temps d’évaluer la qualité du modèle.
Ici, vous allez comparer la RMSE et la MAE d’un modèle XGBoost avec validation croisée sur les données immobilières d’Ames. Comme dans les exercices précédents, tous les modules nécessaires ont été préchargés et les données sont disponibles dans le DataFrame df.
Cet exercice fait partie du cours
Extreme Gradient Boosting avec XGBoost
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))