Mulai sekarangMulai gratis

Memaksimalkan AdaBoost

Seperti yang telah Anda lihat, untuk memprediksi pendapatan film, AdaBoost memberikan hasil terbaik dengan pohon keputusan sebagai estimator dasar.

Pada latihan ini, Anda akan menentukan beberapa parameter untuk memperoleh kinerja yang lebih baik lagi. Secara khusus, Anda akan menggunakan laju pembelajaran yang lebih rendah agar pembaruan hiperparameter lebih mulus. Oleh karena itu, jumlah estimator perlu ditingkatkan. Selain itu, fitur berikut telah ditambahkan ke data: 'runtime', 'vote_average', dan 'vote_count'.

Latihan ini merupakan bagian dari kursus

Metode Ensemble di Python

Lihat Kursus

Instruksi latihan

  • Bangun AdaBoostRegressor menggunakan 100 estimator dan laju pembelajaran 0.01.
  • Latih reg_ada pada himpunan latih dan hitung prediksi pada himpunan uji.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))
Edit dan Jalankan Kode