Stacking modeli I
Czas na stacking. Aby wdrożyć to podejście, wykonaj 6 kroków omówionych w poprzednim filmie:
- Podziel dane treningowe na dwie części
- Wytrenuj kilka modeli na Części 1
- Wykonaj predykcje na Części 2
- Wykonaj predykcje na danych testowych
- Wytrenuj nowy model na Części 2, używając predykcji jako cech
- Wykonaj predykcje na danych testowych przy użyciu modelu 2. poziomu
DataFrame'y train i test są już dostępne w twoim środowisku. features to lista kolumn używanych do trenowania na danych z Części 1 – również dostępna w środowisku. Nazwa zmiennej docelowej to „fare_amount".
To ćwiczenie jest częścią kursu
Zwycięstwo w konkursie Kaggle w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)