Kom igångKom igång gratis

Tillbaka till regression med stacking

I kapitel 1 behandlade vi appbetygen som ett regressionsproblem och förutsade betyget på intervallet 1 till 5. Hittills i det här kapitlet har vi hanterat det som ett klassificeringsproblem och avrundat betyget till närmaste heltal. För att öva på att använda StackingRegressor återgår vi nu till regressionsmetoden. Som vanligt har indatasärdragen standardiserats åt dig med en StandardScaler().

MAE (medelabsolutfel) används som utvärderingsmått. I kapitel 1 låg MAE på ungefär 0.61. Låt oss se om stackning-ensemblemetoden kan minska det felet.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Övningsinstruktioner

  • Instantiera ett beslutsträdsregressor med: min_samples_leaf = 11 och min_samples_split = 33.
  • Instantiera den förvalda linjära regressionen.
  • Instantiera en Ridge-regressionsmodell med random_state = 500.
  • Bygg och träna en StackingRegressor och skicka in regressors och meta_regressor.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))
Redigera och kör kod