शुरू करेंमुफ़्त में शुरू करें

अनुमानित revenue के लिए Boosting

शुरुआती मॉडल का RMSE लगभग 7.34 आया था. देखते हैं क्या हम boosting की एक iteration से इसे बेहतर कर सकते हैं.

आप एक और linear regression बनाएँगे, लेकिन इस बार target मान base मॉडल के errors होंगे, जो इस तरह निकाले गए हैं:

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

इस मॉडल के लिए आप 'popularity' फीचर का उपयोग करेंगे, इस उम्मीद में कि यह केवल 'budget' फीचर की तुलना में अधिक जानकारीपूर्ण patterns देगा. यह आपको X_train_pop और X_test_pop के रूप में उपलब्ध है. पिछले अभ्यास की तरह, input फीचर्स आपके लिए standardize कर दिए गए हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Ensemble Methods

पाठ्यक्रम देखें

अभ्यास निर्देश

  • X_train_pop और y_train_error का उपयोग करके पिछले errors पर एक linear regression मॉडल fit करें.
  • टेस्ट सेट X_test_pop पर predicted errors की गणना करें.
  • पिछले अभ्यास की तरह, y_test_error और pred_error का उपयोग करके RMSE निकालें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Fit a linear regression model to the previous errors
reg_error = LinearRegression()
____

# Calculate the predicted errors on the test set
pred_error = ____

# Evaluate the updated performance
rmse_error = ____
print('RMSE: {:.3f}'.format(rmse_error))
कोड संपादित करें और चलाएँ