Model stacking I
Şimdi sıra stacking tekniğinde. Stacking yaklaşımını uygulamak için, önceki videoda konuştuğumuz 6 adımı izleyeceksin:
- Eğitim verisini iki parçaya ayır
- Birinci Parça üzerinde birden fazla model eğit
- İkinci Parça üzerinde tahminler yap
- Test verisi üzerinde tahminler yap
- İkinci Parça üzerinde, tahminleri özellik olarak kullanarak yeni bir model eğit
- İkinci seviye modeli kullanarak test verisi üzerinde tahminler yap
train ve test DataFrame'leri çalışma alanında hazır. features, Birinci Parça verisinde eğitim için kullanılacak sütunların bir listesi ve o da çalışma alanında mevcut. Hedef değişkenin adı "fare_amount".
Bu egzersiz, kursun bir parçasıdır
Python ile Bir Kaggle Yarışmasını Kazanmak
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)