เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ดึงประสิทธิภาพสูงสุดจาก AdaBoost

จากที่เห็นมา AdaBoost ให้ผลลัพธ์ที่ดีที่สุดในการพยากรณ์รายได้ของภาพยนตร์เมื่อใช้ decision tree เป็น base estimator

ในแบบฝึกหัดนี้ จะมีการกำหนดพารามิเตอร์บางอย่างเพื่อดึงประสิทธิภาพออกมาให้มากยิ่งขึ้น โดยเฉพาะอย่างยิ่ง จะใช้ learning rate ที่ต่ำลงเพื่อให้การอัปเดต hyperparameter เป็นไปอย่างราบรื่นขึ้น ดังนั้นจำนวน estimator จึงควรเพิ่มขึ้นด้วย นอกจากนี้ ยังได้เพิ่มฟีเจอร์ต่อไปนี้เข้าไปในข้อมูลด้วย ได้แก่ 'runtime', 'vote_average' และ 'vote_count'

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง AdaBoostRegressor โดยใช้ 100 estimators และ learning rate เท่ากับ 0.01
  • Fit reg_ada กับชุดข้อมูลฝึก แล้วคำนวณค่าพยากรณ์บนชุดข้อมูลทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด