Stacking ile tekrar regresyona dönüyoruz

Bölüm 1'de, uygulama puanlarını 1 ile 5 aralığında bir regresyon problemi olarak ele almış ve puanı tahmin etmiştik. Bu bölümde ise şimdiye kadar puanı en yakın tam sayıya yuvarlayarak bir sınıflandırma problemi olarak ele aldık. StackingRegressor kullanmayı pratik etmek için tekrar regresyon yaklaşımına döneceğiz. Her zamanki gibi, girdi özellikleri senin için StandardScaler() ile standartlaştırıldı.

Değerlendirme metriği MAE (ortalama mutlak hata). Bölüm 1'de MAE yaklaşık 0.61 idi. Bakalım stacking topluluk yöntemi bu hatayı azaltabilecek mi.

Bu egzersiz, kursun bir parçasıdır

Python'da Ensemble Yöntemleri

Kursa Göz Atın

Egzersiz talimatları

min_samples_leaf = 11 ve min_samples_split = 33 ile bir karar ağacı regresörü oluştur.
Varsayılan doğrusal regresyonu oluştur.
random_state = 500 ile bir Ridge regresyon modeli oluştur.
regressors ve meta_regressor'ı geçirerek bir StackingRegressor kur ve eğit.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))

Kodu Düzenle ve Çalıştır