Sfruttare al massimo AdaBoost
Come hai visto, per prevedere gli incassi dei film, AdaBoost offre i risultati migliori usando alberi decisionali come stimatori di base.
In questo esercizio, specificherai alcuni parametri per ottenere ancora più prestazioni. In particolare, userai un learning rate più basso per aggiornare in modo più graduale gli iperparametri. Di conseguenza, il numero di stimatori dovrebbe aumentare. Inoltre, al dato sono state aggiunte le seguenti caratteristiche: 'runtime', 'vote_average' e 'vote_count'.
Questo esercizio fa parte del corso
Metodi Ensemble in Python
Istruzioni dell'esercizio
- Crea un
AdaBoostRegressorusando100stimatori e un learning rate di0.01. - Esegui il fit di
reg_adasul training set e calcola le previsioni sul test set.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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))