मॉडल स्टैकिंग I
अब बारी है stacking की। Stacking अप्रोच लागू करने के लिए, आप पिछली वीडियो में बताए गए 6 चरणों का पालन करेंगे:
- ट्रेन डेटा को दो भागों में बाँटें
- भाग 1 पर कई मॉडल ट्रेन करें
- भाग 2 पर प्रेडिक्शन बनाएँ
- टेस्ट डेटा पर प्रेडिक्शन बनाएँ
- भाग 2 पर प्रेडिक्शन को फीचर्स की तरह प्रयोग करके नया मॉडल ट्रेन करें
- दूसरे स्तर के मॉडल का उपयोग करके टेस्ट डेटा पर प्रेडिक्शन बनाएँ
train और test DataFrames आपके वर्कस्पेस में पहले से उपलब्ध हैं। features उन कॉलम्स की सूची है जिनका उपयोग भाग 1 के डेटा पर ट्रेनिंग के लिए किया जाएगा, और यह भी आपके वर्कस्पेस में उपलब्ध है। टारगेट वैरिएबल का नाम "fare_amount" है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Kaggle प्रतियोगिता जीतना
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)