ПочатиПочніть безкоштовно

Прогнозування доходів фільмів за допомогою CatBoost

Завершімо цей розділ про бустинг і повернімося до набору даних movies! У цій вправі ви побудуєте CatBoostRegressor для прогнозування лог-доходу. Пам'ятайте, що найкраща модель дотепер — це AdaBoost із RMSE 5.15.

Чи перевершить CatBoost AdaBoost? Для чесного порівняння спробуємо подібний набір параметрів.

Нагадаємо, що дотепер ми використовували такі ознаки: 'budget', 'popularity', 'runtime', 'vote_average' та 'vote_count'. catboost уже імпортовано як cb.

Примітка: уважно стежте, щоб не використати класифікатор, інакше ваша сесія може завершитися!

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Побудуйте та навчіть CatBoostRegressor, використовуючи 100 оцінювачів, швидкість навчання 0.1 та максимальну глибину 3.
  • Обчисліть прогнози для тестового набору та виведіть RMSE.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

import catboost as cb

# Build and fit a CatBoost regressor
reg_cat = ____.____(____, ____, ____, random_state=500)
____

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the RMSE
rmse_cat = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE (CatBoost): {:.3f}'.format(rmse_cat))
Редагувати та запускати код