Punkt odniesienia oparty na gradientowym wzmacnianiu
Zbudujmy ostatni punkt odniesienia, tym razem oparty na lesie losowym. W filmie widziałeś(-aś) ogromną poprawę wyniku po przejściu od grupowania do gradientowego wzmacniania. Teraz użyjesz lasu losowego z biblioteki sklearn, aby jeszcze bardziej poprawić ten wynik.
Celem ćwiczenia jest pobranie cech numerycznych i wytrenowanie modelu lasu losowego bez żadnego dostrajania hiperparametrów. Następnie możesz dokonać predykcji dla zbioru testowego i zweryfikować wynik na publicznej tablicy wyników. Pamiętaj, że masz już dostępną cechę "hour", którą również można przekazać jako wejście do modelu.
To ćwiczenie jest częścią kursu
Zwycięstwo w konkursie Kaggle w Pythonie
Instrukcje do ćwiczenia
- Dodaj cechę
"hour"do listy cech numerycznych. - Dopasuj
RandomForestRegressorna danych treningowych, używając cech numerycznych i"fare_amount"jako zmiennej docelowej. - Użyj wytrenowanego modelu lasu losowego, aby dokonać predykcji na danych testowych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.ensemble import RandomForestRegressor
# Select only numeric features
features = ['pickup_longitude', 'pickup_latitude', 'dropoff_longitude',
'dropoff_latitude', 'passenger_count', ____]
# Train a Random Forest model
rf = RandomForestRegressor()
rf.____(train[____], train.fare_amount)
# Make predictions on the test data
test['fare_amount'] = ____.____(test[features])
# Write predictions
test[['id','fare_amount']].to_csv('rf_sub.csv', index=False)