Gradient Boosting tabanlı başlangıç modeli
Hadi, Random Forest tabanlı son bir başlangıç modeli kuralım. Videoda, gruplama tabanlı başlangıçtan Gradient Boosting’e geçince puanın ciddi şekilde arttığını görmüştün. Şimdi, bu skoru daha da iyileştirmek için sklearn'ün Random Forest’ını kullanacaksın.
Bu egzersizin hedefi, sayısal özellikleri alıp herhangi bir ayarlama yapmadan bir Random Forest modeli eğitmek. Ardından test tahminleri yapabilir ve sonucu Public Leaderboard’da doğrulayabilirsin. Ayrıca, modele girdi olarak kullanılabilecek bir "hour" özelliğinin zaten mevcut olduğunu unutma.
Bu egzersiz, kursun bir parçasıdır
Python ile Bir Kaggle Yarışmasını Kazanmak
Egzersiz talimatları
"hour"özelliğini sayısal özellikler listesine ekle.- Sayısal özelliklerle eğitilen veride hedef olarak
"fare_amount"kullanarakRandomForestRegressormodelini eğit. - Eğitilmiş Random Forest modelini kullanarak test verisi üzerinde tahmin yap.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
from sklearn.ensemble import RandomForestRegressor
# Select only numeric features
features = ['pickup_longitude', 'pickup_latitude', 'dropoff_longitude',
'dropoff_latitude', 'passenger_count', ____]
# Train a Random Forest model
rf = RandomForestRegressor()
rf.____(train[____], train.fare_amount)
# Make predictions on the test data
test['fare_amount'] = ____.____(test[features])
# Write predictions
test[['id','fare_amount']].to_csv('rf_sub.csv', index=False)