Boosting för förutsedd intäkt
Grundmodellen gav ett RMSE på ungefär 7.34. Nu ska vi se om det går att förbättra det med en iteration av boosting.
Du ska bygga ytterligare en linjär regression, men den här gången är målvärdena felen från grundmodellen, beräknade på följande sätt:
y_train_error = pred_train - y_train
y_test_error = pred_test - y_test
I den här modellen använder du särdragets 'popularity' i stället, i hopp om att det ger mer informativa mönster än 'budget'-särdragets ensam. Det finns tillgängligt som X_train_pop och X_test_pop. Precis som i föregående övning har indatasärdragen standardiserats åt dig.
Den här övningen är en del av kursen
Ensemblemetoder i Python
Övningsinstruktioner
- Träna en linjär regressionsmodell på de tidigare felen med hjälp av
X_train_popochy_train_error. - Beräkna de förutsagda felen på testmängden,
X_test_pop. - Beräkna RMSE, precis som i föregående övning, med hjälp av
y_test_errorochpred_error.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))