Максимум от AdaBoost

Как вы уже убедились, при прогнозировании кассовых сборов AdaBoost показывает наилучшие результаты при использовании деревьев решений в качестве базового оценщика.

В этом упражнении вы зададите ряд параметров, чтобы добиться ещё более высокой точности. В частности, вы установите меньшую скорость обучения для более плавного обновления гиперпараметров — и соответственно увеличите количество оценщиков. Кроме того, в данные добавлены следующие признаки: 'runtime', 'vote_average' и 'vote_count'.

Это упражнение является частью курса

Ансамблевые методы в Python

Посмотреть курс

Инструкции к упражнению

Создайте AdaBoostRegressor, используя 100 оценщиков и скорость обучения 0.01.
Обучите reg_ada на обучающей выборке и вычислите прогнозы на тестовой выборке.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))

Редактировать и запускать код