Korsvalidering av din XGBoost-modell

I den här övningen tar du nästa steg och använder den pipeline du skapat för att både förbearbeta och korsvalidera din modell.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Skapa en pipeline kallad xgb_pipeline med hjälp av steps.
Utför 10-faldig korsvalidering med cross_val_score(). Du behöver skicka in pipelinen, X (som en ordbok, via .to_dict("records")), y, antalet vikningar du vill använda samt scoring ("neg_mean_squared_error").
Skriv ut RMSE för den 10-faldiga korsvalideringen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import necessary modules
from sklearn.feature_extraction import DictVectorizer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", DictVectorizer(sparse=False)),
         ("xgb_model", xgb.XGBRegressor(max_depth=2, objective="reg:squarederror"))]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Cross-validate the model
cross_val_scores = ____

# Print the 10-fold RMSE
print("10-fold RMSE: ", np.mean(np.sqrt(np.abs(____))))

Redigera och kör kod