Model stacking II
Tamam, stacking uygulamasında şimdiye kadar yaptıkların:
- Eğitim verisini iki parçaya ayırdın
- 1. Parça üzerinde birden fazla model eğittin
- 2. Parça üzerinde tahminler yaptın
- Test verisi üzerinde tahminler yaptın
Şimdi amacın, 3 ve 4. adımlardan gelen tahminleri özellik olarak kullanarak ikinci seviye bir model oluşturmak. Yani bu model, 2. Parça verisi üzerinde eğitilecek ve ardından test verisi üzerinde stacking tahminleri yapabileceksin.
part_2 ve test DataFrame'leri çalışma alanında hazır. Gradient Boosting ve Random Forest tahminleri bu DataFrame'lerde sırasıyla "gb_pred" ve "rf_pred" isimleriyle tutuluyor.
Bu egzersiz, kursun bir parçasıdır
Python ile Bir Kaggle Yarışmasını Kazanmak
Egzersiz talimatları
- Gradient Boosting ve Random Forest model tahminlerini özellik olarak kullanarak 2. Parça verisi üzerinde bir Linear Regression modeli eğit.
- Gradient Boosting ve Random Forest model tahminlerini özellik olarak kullanarak test verisi üzerinde tahminler yap.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
from sklearn.linear_model import LinearRegression
# Create linear regression model without the intercept
lr = LinearRegression(fit_intercept=False)
# Train 2nd level model on the Part 2 data
lr.____(part_2[['gb_pred', '____']], part_2.fare_amount)
# Make stacking predictions on the test data
test['stacking'] = lr.____(test[['gb_pred', '____']])
# Look at the model coefficients
print(lr.coef_)