Смешивание моделей
Вы начнёте создавать ансамбли моделей с помощью техники смешивания (blending).
Ваша задача — обучить 2 различные модели на данных соревнования New York City Taxi. Сделайте предсказания на тестовых данных, а затем объедините их с помощью простого среднего арифметического.
Датафреймы train и test уже доступны в вашем рабочем пространстве. features — это список столбцов для обучения, он также доступен в вашем рабочем пространстве. Целевая переменная называется "fare_amount".
Это упражнение является частью курса
Победа в соревновании Kaggle на Python
Инструкции к упражнению
- Обучите модель градиентного бустинга на обучающих данных, используя список
featuresи столбец "fare_amount" в качестве целевой переменной. - Обучите модель случайного леса аналогичным образом.
- Получите предсказания на тестовых данных с помощью обеих моделей — градиентного бустинга и случайного леса.
- Найдите среднее значение предсказаний обеих моделей.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Train a Gradient Boosting model
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model
rf = RandomForestRegressor().____(____[features], ____.fare_amount)
# Make predictions on the test data
test['gb_pred'] = ____.____(test[features])
test['rf_pred'] = ____.____(test[features])
# Find mean of model predictions
test['blend'] = (____[____] + ____[____]) / 2
print(test[['gb_pred', 'rf_pred', 'blend']].head(3))