Kom igångKom igång gratis

Få ut det mesta av AdaBoost

Som du har sett ger AdaBoost bäst resultat vid förutsägelse av filmintäkter när beslutsträd används som basestimator.

I den här övningen anger du några parametrar för att pressa ut ännu mer prestanda. Du använder ett lägre inlärningstal för att få en mjukare uppdatering av hyperparametrarna. Antalet estimatorer bör därför öka. Dessutom har följande särdrag lagts till i data: 'runtime', 'vote_average' och 'vote_count'.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Övningsinstruktioner

  • Bygg en AdaBoostRegressor med 100 estimatorer och ett inlärningstal på 0.01.
  • Anpassa reg_ada till träningsuppsättningen och beräkna förutsägelserna på testuppsättningen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))
Redigera och kör kod