Temel öğreniciler olarak karar ağaçları

Şimdi sıra bir XGBoost modeli kurup ev fiyatlarını tahmin etmeye geldi — videoda gördüğün gibi Massachusetts, Boston değil; Iowa, Ames için! Bu konut fiyatları veri kümesi df adlı bir DataFrame'e önceden yüklenmiş durumda. Shell'de incelersen, evin kendisi ve şehir içindeki konumuna dair çeşitli özellikler olduğunu göreceksin.

Bu egzersizde amacın ağaçları temel öğrenici olarak kullanmak. Varsayılan olarak XGBoost temel öğrenici olarak ağaçları kullanır, bu yüzden burada booster="gbtree" ile ağaç kullanmak istediğini belirtmene gerek yok.

xgboost xgb olarak içe aktarılmış durumda ve özellikler ile hedefe ait diziler sırasıyla X ve y içinde hazır.

Bu egzersiz

XGBoost ile Aşırı Gradyan Artırma

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

df'i eğitim ve test kümelerine ayır; verinin %20'sini test için ayır. random_state olarak 123 kullan.
XGBRegressor'ı xg_reg adıyla oluştur; seed olarak 123 kullan. Amacı "reg:squarederror" olarak belirt ve 10 ağaç kullan. Not: Varsayılan bu olduğu için booster="gbtree" belirtmene gerek yok.
xg_reg'i eğitim verisine uydur ve test kümesinin etiketlerini tahmin et. Tahminleri preds adlı değişkende sakla.
rmse değerini, önceden içe aktarılmış sklearn.metrics içindeki mean_squared_error() fonksiyonunu ve np.sqrt() kullanarak hesapla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, ____=____, random_state=123)

# Instantiate the XGBRegressor: xg_reg
xg_reg = ____

# Fit the regressor to the training set
____

# Predict the labels of the test set: preds
preds = ____

# Compute the rmse: rmse
rmse = ____(____(____, ____))
print("RMSE: %f" % (rmse))

Kodu Düzenle ve Çalıştır