Бустинг для прогнозирования выручки

Базовая модель достигла RMSE около 7.34. Посмотрим, удастся ли улучшить этот результат с помощью одной итерации бустинга.

Вы построите ещё одну линейную регрессию, но на этот раз целевыми значениями будут ошибки базовой модели, вычисленные следующим образом:

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

Для этой модели вы будете использовать признак 'popularity' в надежде, что он даст более информативные закономерности, чем признак 'budget' в одиночку. Данные доступны вам в виде X_train_pop и X_test_pop. Как и в предыдущем упражнении, входные признаки уже стандартизированы.

Это упражнение является частью курса

Ансамблевые методы в Python

Посмотреть курс

Инструкции к упражнению

Обучите модель линейной регрессии на предыдущих ошибках, используя X_train_pop и y_train_error.
Вычислите предсказанные ошибки на тестовой выборке X_test_pop.
Рассчитайте RMSE так же, как в предыдущем упражнении, используя y_test_error и pred_error.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))

Редактировать и запускать код