Aan de slagGa gratis aan de slag

Haal alles uit AdaBoost

Zoals je hebt gezien, levert AdaBoost voor het voorspellen van filmopbrengsten de beste resultaten op met beslissingsbomen als basisestimator.

In deze oefening geef je een aantal parameters op om nog meer prestaties te halen. Je gebruikt met name een lagere learning rate om de update van de hyperparameters geleidelijker te maken. Daarom moet het aantal estimators omhoog. Daarnaast zijn de volgende features aan de gegevens toegevoegd: 'runtime', 'vote_average' en 'vote_count'.

Deze oefening maakt deel uit van de cursus

Ensemblemethoden in Python

Cursus bekijken

Oefeninstructies

  • Bouw een AdaBoostRegressor met 100 estimators en een learning rate van 0.01.
  • Fit reg_ada op de trainingsset en bereken de voorspellingen op de testset.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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))
Code bewerken en uitvoeren