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

Exercise

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.

Instructions

100 XP
  • 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.