Avaliando a qualidade do modelo
Agora é hora de começar a avaliar a qualidade do modelo.
Aqui, você vai comparar o RMSE e o MAE de um modelo XGBoost com validação cruzada nos dados de habitação de Ames. Como nos exercícios anteriores, todos os módulos necessários já foram carregados e os dados estão disponíveis no DataFrame df.
Este exercício faz parte do curso
Extreme Gradient Boosting com XGBoost
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Create the DMatrix: housing_dmatrix
housing_dmatrix = xgb.DMatrix(data=X, label=y)
# Create the parameter dictionary: params
params = {"objective":"reg:squarederror", "max_depth":4}
# Perform cross-validation: cv_results
cv_results = ____(dtrain=____, params=____, nfold=____, num_boost_round=____, metrics=____, as_pandas=True, seed=123)
# Print cv_results
print(cv_results)
# Extract and print final boosting round metric
print((cv_results["____"]).tail(1))