ПочатиПочніть безкоштовно

Максимум від AdaBoost

Як ви бачили, для прогнозування касових зборів фільмів AdaBoost дає найкращі результати з дерева́ми рішень як базовим оцінювачем.

У цій вправі ви задамете кілька параметрів, щоб отримати ще вищу продуктивність. Зокрема, ви використаєте меншу швидкість навчання, щоб плавніше оновлювати гіперпараметри. Відповідно, кількість оцінювачів слід збільшити. Додатково до даних було додано такі ознаки: 'runtime', 'vote_average' та 'vote_count'.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Створіть AdaBoostRegressor із 100 оцінювачами та швидкістю навчання 0.01.
  • Навчіть reg_ada на тренувальній вибірці та обчисліть передбачення на тестовій вибірці.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)

# Calculate the predictions on the test set
pred = ____

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