Boosting pentru venitul prezis

Modelul inițial a obținut un RMSE de aproximativ 7.34. Să vedem dacă îl putem îmbunătăți folosind o iterație de boosting.

Vei construi o altă regresie liniară, dar de această dată valorile țintă sunt erorile modelului de bază, calculate astfel:

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

Pentru acest model vei folosi caracteristica 'popularity' în locul celei anterioare, cu speranța că oferă tipare mai informative decât caracteristica 'budget' singură. Aceasta îți este disponibilă ca X_train_pop și X_test_pop. Ca și în exercițiul anterior, caracteristicile de intrare au fost standardizate pentru tine.

Acest exercițiu face parte din cursul

Metode de ansamblu în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Antrenează un model de regresie liniară pe erorile anterioare, folosind X_train_pop și y_train_error.
Calculează erorile prezise pe setul de testare, X_test_pop.
Calculează RMSE, ca în exercițiul anterior, folosind y_test_error și pred_error.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Fit a linear regression model to the previous errors
reg_error = LinearRegression()
____

# Calculate the predicted errors on the test set
pred_error = ____

# Evaluate the updated performance
rmse_error = ____
print('RMSE: {:.3f}'.format(rmse_error))

Editează și rulează codul