De volta à regressão com stacking
No Capítulo 1, tratamos as avaliações dos apps como um problema de regressão, prevendo a nota no intervalo de 1 a 5. Até aqui neste capítulo, lidamos com isso como um problema de classificação, arredondando a nota para o inteiro mais próximo. Para praticar o uso do StackingRegressor, vamos voltar à abordagem de regressão.
Como de costume, as variáveis de entrada já foram padronizadas para você com um StandardScaler().
A métrica de avaliação é o MAE (erro médio absoluto). No Capítulo 1, o MAE ficou em torno de 0.61. Vamos ver se o método de ensemble stacking consegue reduzir esse erro.
Este exercício faz parte do curso
Métodos de Ensemble em Python
Instruções do exercício
- Instancie um regresssor de árvore de decisão com:
min_samples_leaf = 11emin_samples_split = 33. - Instancie a regressão linear padrão.
- Instancie um modelo de regressão
Ridgecomrandom_state = 500. - Construa e ajuste um
StackingRegressor, passando osregressorse ometa_regressor.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____
# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()
# Build the Stacking regressor
reg_stack = ____
reg_stack.____
# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))