Regressão AdaBoost baseada em árvores
Modelos AdaBoost geralmente são construídos com árvores de decisão como estimadores base. Vamos testar isso agora e ver se o desempenho do modelo melhora ainda mais.
Usaremos doze estimadores como antes para permitir uma comparação justa. Não há necessidade de instanciar a árvore de decisão, pois ela é o estimador base por padrão.
Este exercício faz parte do curso
Métodos de Ensemble em Python
Instruções do exercício
- Construa e ajuste um
AdaBoostRegressorusando12estimadores. Você não precisa especificar um estimador base. - Calcule as previsões no conjunto de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Build and fit a tree-based AdaBoost regressor
reg_ada = ____(____, random_state=500)
reg_ada.fit(X_train, y_train)
# Calculate the predictions on the test set
pred = ____
# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))