Стекинг моделей I
Пришло время для стекинга. Чтобы реализовать этот подход, следуйте 6 шагам, которые мы рассмотрели в предыдущем видео:
- Разделите обучающие данные на две части
- Обучите несколько моделей на части 1
- Сделайте прогнозы для части 2
- Сделайте прогнозы для тестовых данных
- Обучите новую модель на части 2, используя прогнозы как признаки
- Сделайте прогнозы для тестовых данных с помощью модели второго уровня
DataFrame'ы train и test уже доступны в вашем рабочем пространстве. features — это список столбцов, которые будут использоваться для обучения на данных части 1; он также доступен в вашем рабочем пространстве. Название целевой переменной — "fare_amount".
Это упражнение является частью курса
Победа в соревновании Kaggle на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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)