XGBoost modelini çapraz doğrulama

Bu egzersizde, oluşturduğun pipeline'ı kullanarak modelini hem ön işlemek hem de çapraz doğrulamak için bir adım daha ileri gideceksin.

Bu egzersiz, kursun bir parçasıdır

XGBoost ile Aşırı Gradyan Artırma

Kursa Göz Atın

Egzersiz talimatları

steps kullanarak xgb_pipeline adında bir pipeline oluştur.
cross_val_score() ile 10 katlı çapraz doğrulama yap. Pipeline'ı, X'i (sözlük olarak, .to_dict("records") kullanarak), y'yi, kullanmak istediğin kat sayısını ve scoring'i ("neg_mean_squared_error") iletmen gerekecek.
10 katlı RMSE'yi yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Import necessary modules
from sklearn.feature_extraction import DictVectorizer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", DictVectorizer(sparse=False)),
         ("xgb_model", xgb.XGBRegressor(max_depth=2, objective="reg:squarederror"))]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Cross-validate the model
cross_val_scores = ____

# Print the 10-fold RMSE
print("10-fold RMSE: ", np.mean(np.sqrt(np.abs(____))))

Kodu Düzenle ve Çalıştır