Cechy arytmetyczne
Aby poćwiczyć tworzenie nowych cech, będziesz pracować z próbką danych z konkursu Kaggle o nazwie "House Prices: Advanced Regression Techniques". Celem tego konkursu jest przewidywanie ceny domu na podstawie jego właściwości. To zadanie regresji, w którym metryką ewaluacji jest pierwiastek ze średniego błędu kwadratowego (RMSE).
Twoim zadaniem jest tworzenie nowych cech i sprawdzanie, czy poprawiają wynik walidacji. Do obliczenia wyniku walidacji metodą 5-krotnej walidacji krzyżowej masz do dyspozycji funkcję get_kfold_rmse(). Użyj jej z DataFrame train, dostępnym w twoim środowisku pracy, jako argumentem.
To ćwiczenie jest częścią kursu
Zwycięstwo w konkursie Kaggle w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Look at the initial RMSE
print('RMSE before feature engineering:', get_kfold_rmse(train))
# Find the total area of the house
train['TotalArea'] = ____[____] + ____[____] + ____[____]
# Look at the updated RMSE
print('RMSE with total area:', get_kfold_rmse(train))