Boosting dla prognozowanych przychodów

Wyjściowy model osiągnął RMSE wynoszące około 7.34. Sprawdźmy, czy możemy poprawić ten wynik za pomocą jednej iteracji boostingu.

Zbudujesz kolejną regresję liniową, ale tym razem wartościami docelowymi będą błędy z modelu bazowego, obliczone w następujący sposób:

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

W tym modelu użyjesz cechy 'popularity' zamiast poprzedniej, licząc na to, że dostarczy bardziej informatywnych wzorców niż sama cecha 'budget'. Dane są dostępne jako X_train_pop i X_test_pop. Podobnie jak w poprzednim ćwiczeniu, cechy wejściowe zostały już za ciebie zestandaryzowane.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Dopasuj model regresji liniowej do poprzednich błędów, używając X_train_pop i y_train_error.
Oblicz predykcje błędów na zbiorze testowym X_test_pop.
Oblicz RMSE tak jak w poprzednim ćwiczeniu, używając y_test_error i pred_error.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod