Stacking de modele I
A venit momentul pentru stacking. Pentru a implementa această abordare, vei urma cei 6 pași discutați în videoclipul anterior:
- Împarte datele de antrenament în două părți
- Antrenează mai multe modele pe Partea 1
- Fă predicții pe Partea 2
- Fă predicții pe datele de testare
- Antrenează un model nou pe Partea 2, folosind predicțiile ca atribute
- Fă predicții pe datele de testare folosind modelul de nivel 2
DataFrame-urile train și test sunt deja disponibile în spațiul tău de lucru. features este o listă de coloane ce vor fi folosite pentru antrenament pe datele din Partea 1 și este, de asemenea, disponibilă în spațiul tău de lucru. Numele variabilei țintă este "fare_amount".
Acest exercițiu face parte din cursul
Câștigarea unei competiții Kaggle în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)