Powrót do regresji ze stackingiem

W rozdziale 1. potraktowaliśmy oceny aplikacji jako problem regresji – przewidywaliśmy ocenę w przedziale od 1 do 5. W tym rozdziale podchodziliśmy do niego jako do problemu klasyfikacji, zaokrąglając ocenę do najbliższej liczby całkowitej. Żeby poćwiczyć użycie StackingRegressor, wrócimy do podejścia regresyjnego. Jak zwykle, cechy wejściowe zostały już dla ciebie wystandaryzowane za pomocą StandardScaler().

Metryką oceny jest MAE (średni błąd bezwzględny). W rozdziale 1. MAE wynosiło około 0.61. Sprawdźmy, czy metoda stackingu pozwoli zmniejszyć ten błąd.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz regressor drzewa decyzyjnego z parametrami: min_samples_leaf = 11 i min_samples_split = 33.
Utwórz domyślny model regresji liniowej.
Utwórz model regresji Ridge z parametrem random_state = 500.
Zbuduj i dopasuj StackingRegressor, przekazując listę regressors oraz meta_regressor.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))

Edytuj i uruchom kod