ПочатиПочніть безкоштовно

Boosting для прогнозованого доходу

Початкова модель дала RMSE приблизно 7.34. Перевірмо, чи можна це покращити за допомогою однієї ітерації boosting.

Ви побудуєте ще одну лінійну регресію, але цього разу цільові значення — це помилки базової моделі, обчислені так:

y_train_error = pred_train - y_train
y_test_error = pred_test - y_test

Для цієї моделі ви використаєте ознаку 'popularity', сподіваючись, що вона дасть інформативніші закономірності, ніж лише ознака 'budget'. Вони доступні як X_train_pop і X_test_pop. Як і в попередній вправі, вхідні ознаки вже стандартизовано.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Навчіть модель лінійної регресії на попередніх помилках, використовуючи X_train_pop і y_train_error.
  • Обчисліть прогнозовані помилки на тестовій вибірці X_test_pop.
  • Розрахуйте RMSE, як у попередній вправі, використовуючи y_test_error і pred_error.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Fit a linear regression model to the previous errors
reg_error = LinearRegression()
____

# Calculate the predicted errors on the test set
pred_error = ____

# Evaluate the updated performance
rmse_error = ____
print('RMSE: {:.3f}'.format(rmse_error))
Редагувати та запускати код