스태킹으로 회귀 문제로 돌아가기
1장에서 우리는 앱 평점을 1에서 5 구간의 연속값으로 예측하는 회귀 문제로 다뤘어요. 이번 장에서는 평점을 가장 가까운 정수로 반올림해 분류 문제로 접근했죠. 이제 StackingRegressor 사용을 연습하기 위해 다시 회귀 접근으로 돌아가 보겠습니다.
평소처럼 StandardScaler()로 입력 특성은 표준화되어 있어요.
평가 지표는 MAE(mean absolute error)입니다. 1장에서 MAE는 약 0.61이었어요. 스태킹 앙상블 방법으로 그 오차를 더 줄일 수 있는지 확인해 봅시다.
이 연습은 강의의 일부입니다
Python에서의 앙상블 기법
연습 안내
- 다음 하이퍼파라미터로 결정 트리 회귀기를 인스턴스화하세요:
min_samples_leaf = 11,min_samples_split = 33. - 기본 설정의 선형 회귀를 인스턴스화하세요.
random_state = 500으로Ridge회귀 모델을 인스턴스화하세요.regressors와meta_regressor를 전달하여StackingRegressor를 구성하고 학습하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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)))