Model stacking II
ठीक है, अभी तक आपने स्टैकिंग इम्प्लीमेंटेशन में यह किया है:
- ट्रेन डेटा को दो भागों में बाँटा
- भाग 1 पर कई मॉडल्स को ट्रेन किया
- भाग 2 पर प्रेडिक्शंस बनाए
- टेस्ट डेटा पर प्रेडिक्शंस बनाए
अब आपका लक्ष्य स्टेप 3 और 4 से मिली प्रेडिक्शंस को फीचर्स के रूप में लेकर एक सेकंड-लेवल मॉडल बनाना है. यानी यह मॉडल Part 2 डेटा पर ट्रेन होगा और फिर आप टेस्ट डेटा पर स्टैकिंग प्रेडिक्शंस बना सकते हैं.
part_2 और test DataFrames पहले से आपके वर्कस्पेस में उपलब्ध हैं. Gradient Boosting और Random Forest की प्रेडिक्शंस इन DataFrames में क्रमशः "gb_pred" और "rf_pred" नाम से स्टोर हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Kaggle प्रतियोगिता जीतना
अभ्यास निर्देश
- Gradient Boosting और Random Forest मॉडल्स की प्रेडिक्शंस को फीचर्स के रूप में लेकर Part 2 डेटा पर एक Linear Regression मॉडल ट्रेन करें.
- Gradient Boosting और Random Forest मॉडल्स की प्रेडिक्शंस को फीचर्स के रूप में लेकर टेस्ट डेटा पर प्रेडिक्शंस बनाएँ.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
from sklearn.linear_model import LinearRegression
# Create linear regression model without the intercept
lr = LinearRegression(fit_intercept=False)
# Train 2nd level model on the Part 2 data
lr.____(part_2[['gb_pred', '____']], part_2.fare_amount)
# Make stacking predictions on the test data
test['stacking'] = lr.____(test[['gb_pred', '____']])
# Look at the model coefficients
print(lr.coef_)