Pohon keputusan sebagai base learner

Sekarang saatnya membangun model XGBoost untuk memprediksi harga rumah — bukan di Boston, Massachusetts seperti di video, melainkan di Ames, Iowa! Himpunan data harga rumah ini telah dimuat sebelumnya ke dalam DataFrame bernama df. Jika Anda mengeksplorasinya di Shell, Anda akan melihat beragam fitur tentang rumah dan lokasinya di kota.

Dalam latihan ini, tujuan Anda adalah menggunakan pohon sebagai base learner. Secara default, XGBoost menggunakan pohon sebagai base learner, jadi Anda tidak perlu menentukan bahwa Anda ingin menggunakan pohon di sini dengan booster="gbtree".

xgboost telah diimpor sebagai xgb dan array untuk fitur serta target tersedia masing-masing di X dan y.

Latihan ini merupakan bagian dari kursus

Extreme Gradient Boosting dengan XGBoost

Lihat Kursus

Instruksi latihan

Bagi df menjadi himpunan pelatihan dan pengujian, sisihkan 20% untuk pengujian. Gunakan random_state bernilai 123.
Instansiasikan XGBRegressor sebagai xg_reg, dengan seed bernilai 123. Tentukan objective "reg:squarederror" dan gunakan 10 pohon. Catatan: Anda tidak perlu menentukan booster="gbtree" karena ini adalah nilai default.
Latih xg_reg pada data pelatihan dan prediksikan label himpunan uji. Simpan prediksi dalam variabel bernama preds.
Hitung rmse menggunakan np.sqrt() dan fungsi mean_squared_error() dari sklearn.metrics, yang telah diimpor sebelumnya.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, ____=____, random_state=123)

# Instantiate the XGBRegressor: xg_reg
xg_reg = ____

# Fit the regressor to the training set
____

# Predict the labels of the test set: preds
preds = ____

# Compute the rmse: rmse
rmse = ____(____(____, ____))
print("RMSE: %f" % (rmse))

Edit dan Jalankan Kode