Składanie modeli II
Oto, co zostało dotychczas zrobione w implementacji składania modeli:
- Podział danych treningowych na dwie części
- Wytrenowanie wielu modeli na części 1.
- Wykonanie predykcji na części 2.
- Wykonanie predykcji na danych testowych
Teraz musisz utworzyć model drugiego poziomu, który jako cechy wykorzysta predykcje z kroków 3 i 4. Model ten jest trenowany na danych z części 2., a następnie możesz użyć go do tworzenia predykcji metodą składania na danych testowych.
DataFrames part_2 i test są już dostępne w twoim środowisku. Predykcje modelu Gradient Boosting i Random Forest są przechowywane w tych DataFrames pod nazwami "gb_pred" i "rf_pred".
To ćwiczenie jest częścią kursu
Zwycięstwo w konkursie Kaggle w Pythonie
Instrukcje do ćwiczenia
- Wytrenuj model regresji liniowej na danych z części 2., używając predykcji modeli Gradient Boosting i Random Forest jako cech.
- Wykonaj predykcje na danych testowych, używając predykcji modeli Gradient Boosting i Random Forest jako cech.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.linear_model import LinearRegression
# Create linear regression model without the intercept
lr = LinearRegression(fit_intercept=False)
# Train 2nd level model on the Part 2 data
lr.____(part_2[['gb_pred', '____']], part_2.fare_amount)
# Make stacking predictions on the test data
test['stacking'] = lr.____(test[['gb_pred', '____']])
# Look at the model coefficients
print(lr.coef_)