Bir uygulamanın puanını tahmin etme

Önceki egzersizde Google uygulamaları veri kümesini incelediğine göre, şimdi özelliklerinin bir alt kümesi verildiğinde bir uygulamanın puanını tahmin eden bir model kuralım.

Bunu yapmak için scikit-learn'ün DecisionTreeRegressor sınıfını kullanacaksın. Karar ağaçları birçok ensemble modelin yapı taşı olduğundan, nasıl çalıştıklarını tazelemek bu kurs boyunca işine yarayacak.

Değerlendirme metriği olarak MAE'yi (mean absolute error) kullanacağız. Bu metrik oldukça yorumlanabilir; gerçek ve tahmin edilen puanlar arasındaki ortalama mutlak farkı ifade eder.

Gerekli tüm modüller senin için önceden içe aktarıldı. Özellikler ve hedef sırasıyla X ve y değişkenlerinde mevcut.

Bu egzersiz, kursun bir parçasıdır

Python'da Ensemble Yöntemleri

Kursa Göz Atın

Egzersiz talimatları

train_test_split() ile X ve y'yi eğitim ve test kümelerine ayır. Test boyutu olarak %20, yani 0.2 kullan.
Aşağıdaki hiperparametrelerle bir DecisionTreeRegressor() örneği (reg_dt) oluştur: min_samples_leaf = 3 ve min_samples_split = 9.
Regresörü .fit() kullanarak eğitim kümesine uydur.
.predict() ile test kümesinin etiketlerini tahmin et.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)))

Kodu Düzenle ve Çalıştır