Stacking de modele II
Bine, iată ce ai realizat până acum în implementarea stacking-ului:
- Ai împărțit datele de antrenament în două părți
- Ai antrenat mai multe modele pe Partea 1
- Ai făcut predicții pe Partea 2
- Ai făcut predicții pe datele de test
Acum, scopul tău este să creezi un model de nivel doi folosind predicțiile din pașii 3 și 4 ca atribute. Astfel, acest model este antrenat pe datele din Partea 2, după care poți obține predicții finale prin stacking pe datele de test.
DataFrame-urile part_2 și test sunt deja disponibile în spațiul tău de lucru. Predicțiile modelelor Gradient Boosting și Random Forest sunt stocate în aceste DataFrame-uri sub numele "gb_pred", respectiv "rf_pred".
Acest exercițiu face parte din cursul
Câștigarea unei competiții Kaggle în Python
Instrucțiuni pentru exercițiu
- Antrenează un model de Regresie Liniară pe datele din Partea 2, folosind predicțiile modelelor Gradient Boosting și Random Forest ca atribute.
- Realizează predicții pe datele de test, folosind predicțiile modelelor Gradient Boosting și Random Forest ca atribute.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
from sklearn.linear_model import LinearRegression
# Create linear regression model without the intercept
lr = LinearRegression(fit_intercept=False)
# Train 2nd level model on the Part 2 data
lr.____(part_2[['gb_pred', '____']], part_2.fare_amount)
# Make stacking predictions on the test data
test['stacking'] = lr.____(test[['gb_pred', '____']])
# Look at the model coefficients
print(lr.coef_)