Înapoi la regresie cu stacking

În Capitolul 1, am tratat evaluările aplicațiilor ca o problemă de regresie, predicând ratingul pe intervalul de la 1 la 5. Până acum în acest capitol, am abordat-o ca o problemă de clasificare, rotunjind ratingul la cel mai apropiat număr întreg. Pentru a exersa utilizarea StackingRegressor, vom reveni la abordarea prin regresie. Ca de obicei, atributele de intrare au fost standardizate pentru tine cu un StandardScaler().

MAE (eroarea absolută medie) este metrica de evaluare. În Capitolul 1, MAE era aproximativ 0.61. Să vedem dacă metoda de ansamblu stacking poate reduce această eroare.

Acest exercițiu face parte din cursul

Metode de ansamblu în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Instanțiază un regressor de tip arbore de decizie cu: min_samples_leaf = 11 și min_samples_split = 33.
Instanțiază regresia liniară implicită.
Instanțiază un model de regresie Ridge cu random_state = 500.
Construiește și antrenează un StackingRegressor, pasând regressors și meta_regressor.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)))

Editează și rulează codul