Ocena jakości modelu
Czas zacząć oceniać jakość modelu.
Porównasz RMSE i MAE modelu XGBoost z walidacją krzyżową na zbiorze danych o cenach domów w Ames. Podobnie jak w poprzednich ćwiczeniach, wszystkie niezbędne moduły zostały wcześniej załadowane, a dane są dostępne w DataFrame df.
To ćwiczenie jest częścią kursu
Extreme Gradient Boosting with XGBoost
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create the DMatrix: housing_dmatrix
housing_dmatrix = xgb.DMatrix(data=X, label=y)
# Create the parameter dictionary: params
params = {"objective":"reg:squarederror", "max_depth":4}
# Perform cross-validation: cv_results
cv_results = ____(dtrain=____, params=____, nfold=____, num_boost_round=____, metrics=____, as_pandas=True, seed=123)
# Print cv_results
print(cv_results)
# Extract and print final boosting round metric
print((cv_results["____"]).tail(1))