เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Boosting สำหรับการทำนายรายได้

โมเดลเริ่มต้นได้ค่า RMSE อยู่ที่ประมาณ 7.34 มาดูกันว่าเราจะปรับปรุงผลลัพธ์นี้ได้หรือไม่ด้วยการทำ boosting หนึ่งรอบ

จะสร้าง linear regression อีกตัวหนึ่ง แต่คราวนี้ค่าเป้าหมายคือค่าความผิดพลาดจากโมเดลฐาน ซึ่งคำนวณได้ดังนี้:

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

โมเดลนี้จะใช้ feature 'popularity' แทน เพื่อดูว่าสามารถจับรูปแบบที่มีประโยชน์กว่า feature 'budget' เพียงอย่างเดียวได้หรือไม่ โดย feature ดังกล่าวพร้อมใช้งานในชื่อ X_train_pop และ X_test_pop เช่นเดียวกับแบบฝึกหัดก่อนหน้า input features ได้ถูก standardize ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Fit โมเดล linear regression กับค่าความผิดพลาดก่อนหน้า โดยใช้ X_train_pop และ y_train_error
  • คำนวณค่าความผิดพลาดที่ทำนายบนชุดทดสอบ X_test_pop
  • คำนวณค่า RMSE เช่นเดียวกับแบบฝึกหัดก่อนหน้า โดยใช้ y_test_error และ pred_error

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด