เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การพยากรณ์คะแนนของแอป

หลังจากสำรวจชุดข้อมูลแอปของ Google ในแบบฝึกหัดก่อนหน้า มาสร้างโมเดลที่ใช้พยากรณ์คะแนนของแอปจาก feature บางส่วนกัน

ในแบบฝึกหัดนี้จะใช้ DecisionTreeRegressor จาก scikit-learn เนื่องจาก decision tree เป็นส่วนประกอบพื้นฐานของ ensemble model หลายรูปแบบ การทบทวนการทำงานของมันจะเป็นประโยชน์อย่างมากตลอดคอร์สนี้

จะใช้ MAE (mean absolute error) เป็น metric สำหรับการประเมินผล ซึ่งตีความได้ง่าย เพราะแสดงค่าความต่างเฉลี่ยระหว่างคะแนนจริงกับคะแนนที่พยากรณ์ได้

โมดูลที่จำเป็นทั้งหมดได้ import ไว้ให้แล้ว โดย feature และ target อยู่ในตัวแปร X และ y ตามลำดับ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ train_test_split() เพื่อแบ่ง X และ y เป็นชุด train และ test โดยกำหนดขนาดชุด test เป็น 20% หรือ 0.2
  • สร้าง instance ของ DecisionTreeRegressor() ชื่อ reg_dt โดยกำหนด hyperparameter ดังนี้: min_samples_leaf = 3 และ min_samples_split = 9
  • Fit regressor กับชุด training โดยใช้ .fit()
  • พยากรณ์ label ของชุด test โดยใช้ .predict()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Split into train (80%) and test (20%) sets
X_train, X_test, y_train, y_test = ____(____, ____, ____, random_state=42)

# Instantiate the regressor
reg_dt = ____(____, ____, random_state=500)

# Fit to the training set
____

# Evaluate the performance of the model on the test set
y_pred = ____
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, y_pred)))
แก้ไขและรันโค้ด