शुरू करेंमुफ़्त में शुरू करें

स्टैकिंग के साथ फिर से रिग्रेशन पर

Chapter 1 में, हमने ऐप रेटिंग्स को एक रिग्रेशन समस्या की तरह लिया था, जहाँ 1 से 5 के इंटरवल पर रेटिंग्स की भविष्यवाणी करनी थी। इस अध्याय में अभी तक हमने इसे एक क्लासिफिकेशन समस्या माना, जिसमें रेटिंग को नज़दीकी पूर्णांक पर राउंड किया गया। StackingRegressor का उपयोग अभ्यास करने के लिए, हम फिर से रिग्रेशन अप्रोच पर लौटेंगे. हमेशा की तरह, इनपुट फीचर्स को आपके लिए StandardScaler() से स्टैंडर्डाइज़ किया गया है.

MAE (mean absolute error) इवैल्यूएशन मेट्रिक है। Chapter 1 में MAE लगभग 0.61 था। देखें कि क्या स्टैकिंग एन्सेम्बल मेथड उस त्रुटि को घटा सकता है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Ensemble Methods

पाठ्यक्रम देखें

अभ्यास निर्देश

  • एक decision tree regressor इंस्टैंशिएट करें, इन पैरामीटर्स के साथ: min_samples_leaf = 11 और min_samples_split = 33.
  • डिफॉल्ट linear regression इंस्टैंशिएट करें.
  • random_state = 500 के साथ एक Ridge regression मॉडल इंस्टैंशिएट करें.
  • एक StackingRegressor बनाएँ और फिट करें, जिसमें regressors और meta_regressor पास करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))
कोड संपादित करें और चलाएँ