Wyciśnij z AdaBoost maksimum

Jak już wiesz, do przewidywania przychodów filmów AdaBoost daje najlepsze wyniki, gdy jako estymator bazowy użyjesz drzew decyzyjnych.

W tym ćwiczeniu ustawisz kilka parametrów, aby jeszcze bardziej poprawić wydajność modelu. Użyjesz niższego współczynnika uczenia, co zapewni łagodniejszą aktualizację hiperparametrów – dlatego liczba estymatorów powinna wzrosnąć. Do zbioru danych dodano też nowe cechy: 'runtime', 'vote_average' oraz 'vote_count'.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zbuduj AdaBoostRegressor używając 100 estymatorów i współczynnika uczenia równego 0.01.
Dopasuj reg_ada do zbioru treningowego i oblicz przewidywania na zbiorze testowym.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod