Modellstacking I
Nu är det dags för stacking. För att implementera stacking-metoden följer du de 6 steg vi gick igenom i föregående video:
- Dela upp träningsdatan i två delar
- Träna flera modeller på del 1
- Gör prediktioner på del 2
- Gör prediktioner på testdatan
- Träna en ny modell på del 2 med prediktionerna som särdrag
- Gör prediktioner på testdatan med modellen på nivå 2
train och test DataFrames finns redan tillgängliga i din arbetsyta. features är en lista med kolumner som ska användas för träning på del 1-datan och finns också tillgänglig i din arbetsyta. Målvariabelns namn är "fare_amount".
Den här övningen är en del av kursen
Vinna en Kaggle-tävling i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)