予測収益に対する Boosting
最初のモデルの RMSE はおよそ 7.34 でした。Boosting を1回適用して、これを改善できるか試してみましょう。
もう一度線形回帰を作成しますが、今回はターゲット値としてベースモデルの誤差を使います。計算は次のとおりです。
y_train_error = pred_train - y_train
y_test_error = pred_test - y_test
このモデルでは、'budget' 単体よりも情報量の多いパターンが得られることを期待して、代わりに 'popularity' 特徴量を使います。これは X_train_pop と X_test_pop として利用できます。前の演習と同様に、入力特徴量は標準化済みです。
この演習はコースの一部です
Pythonで学ぶアンサンブル手法
演習の手順
X_train_popとy_train_errorを使って、前回の誤差に対して線形回帰モデルを学習させます。- テストセット
X_test_pop上で誤差の予測値を計算します。 - 前の演習と同様に、
y_test_errorとpred_errorを使って RMSE を計算します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Fit a linear regression model to the previous errors
reg_error = LinearRegression()
____
# Calculate the predicted errors on the test set
pred_error = ____
# Evaluate the updated performance
rmse_error = ____
print('RMSE: {:.3f}'.format(rmse_error))