1. Learn
    2. /
  2. Kurser
    3. /
  3. Metody zespołowe w Pythonie
Connected

övning

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.

Instruktioner

100 XP
  • 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().