Torniamo alla regressione con lo stacking
Nel Capitolo 1 abbiamo trattato i rating delle app come un problema di regressione, prevedendo il valore su un intervallo da 1 a 5. Finora in questo capitolo lo abbiamo affrontato come un problema di classificazione, arrotondando il rating all’intero più vicino. Per fare pratica con StackingRegressor, torneremo all’approccio di regressione.
Come di consueto, le feature in input sono già state standardizzate per te con StandardScaler().
La metrica di valutazione è la MAE (mean absolute error). Nel Capitolo 1, la MAE era circa 0.61. Vediamo se il metodo ensemble di stacking riesce a ridurre quell’errore.
Questo esercizio fa parte del corso
Metodi Ensemble in Python
Istruzioni dell'esercizio
- Istanzia un regressore ad albero decisionale con:
min_samples_leaf = 11emin_samples_split = 33. - Istanzia la regressione lineare di default.
- Istanzia un modello di regressione
Ridgeconrandom_state = 500. - Crea e adatta un
StackingRegressor, passando iregressorse ilmeta_regressor.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____
# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()
# Build the Stacking regressor
reg_stack = ____
reg_stack.____
# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))