Prognozowanie przychodów filmów z CatBoost
Zakończymy ten rozdział o boostingu, wracając do zbioru danych movies! W tym ćwiczeniu zbudujesz model CatBoostRegressor, aby prognozować logarytm przychodów. Przypomnij sobie, że nasz najlepszy model to jak dotąd AdaBoost z RMSE równym 5.15.
Czy CatBoost pokona AdaBoost? Spróbujemy użyć podobnego zestawu parametrów, aby porównanie było uczciwe.
Pamiętaj, że korzystamy z następujących cech: 'budget', 'popularity', 'runtime', 'vote_average' i 'vote_count'. Biblioteka catboost została już zaimportowana jako cb.
UWAGA: uważaj, aby nie użyć klasyfikatora – może to spowodować wygaśnięcie sesji!
To ćwiczenie jest częścią kursu
Metody zespołowe w Pythonie
Instrukcje do ćwiczenia
- Zbuduj i dopasuj model
CatBoostRegressor, używając100estymatorów, współczynnika uczenia0.1i maksymalnej głębokości3. - Oblicz predykcje dla zbioru testowego i wyświetl wartość RMSE.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
import catboost as cb
# Build and fit a CatBoost regressor
reg_cat = ____.____(____, ____, ____, random_state=500)
____
# Calculate the predictions on the test set
pred = ____
# Evaluate the performance using the RMSE
rmse_cat = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE (CatBoost): {:.3f}'.format(rmse_cat))