Przewidywanie oceny aplikacji

Po zbadaniu zbioru danych aplikacji Google w poprzednim ćwiczeniu czas zbudować model, który na podstawie wybranych cech przewiduje ocenę aplikacji.

Do tego celu użyjesz DecisionTreeRegressor z biblioteki scikit-learn. Drzewa decyzyjne stanowią fundament wielu modeli zespołowych, więc odświeżenie wiedzy o ich działaniu przyda się przez cały ten kurs.

Jako metrykę oceny zastosujemy MAE (średni błąd bezwzględny). Jest to bardzo intuicyjna miara – reprezentuje średnią bezwzględną różnicę między rzeczywistymi a przewidywanymi ocenami.

Wszystkie wymagane moduły zostały już zaimportowane. Cechy i zmienna docelowa są dostępne odpowiednio w zmiennych X i y.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Użyj funkcji train_test_split(), aby podzielić X i y na zbiory treningowy i testowy. Jako rozmiar zbioru testowego ustaw 20%, czyli 0.2.
Utwórz instancję DecisionTreeRegressor() o nazwie reg_dt z następującymi hiperparametrami: min_samples_leaf = 3 i min_samples_split = 9.
Dopasuj regresor do zbioru treningowego za pomocą .fit().
Przewidź etykiety zbioru testowego za pomocą .predict().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Split into train (80%) and test (20%) sets
X_train, X_test, y_train, y_test = ____(____, ____, ____, random_state=42)

# Instantiate the regressor
reg_dt = ____(____, ____, random_state=500)

# Fit to the training set
____

# Evaluate the performance of the model on the test set
y_pred = ____
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, y_pred)))

Edytuj i uruchom kod