ПочатиПочніть безкоштовно

Повертаємося до регресії зі stacking

У Розділі 1 ми розглядали рейтинги застосунків як задачу регресії, передбачаючи рейтинг у проміжку від 1 до 5. У цьому розділі ми працювали з нею як із задачею класифікації, округлюючи рейтинг до найближчого цілого. Щоб попрактикуватися з StackingRegressor, повернімося до підходу регресії. Як завжди, вхідні ознаки для вас стандартизовано за допомогою StandardScaler().

MAE (mean absolute error — середня абсолютна похибка) є метрикою оцінювання. У Розділі 1 значення MAE було близько 0.61. Подивімося, чи зможе ансамблевий метод stacking зменшити цю похибку.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Створіть регресор на основі дерева рішень з параметрами: min_samples_leaf = 11 та min_samples_split = 33.
  • Створіть лінійну регресію з налаштуваннями за замовчуванням.
  • Створіть модель регресії Ridge з random_state = 500.
  • Побудуйте та навчіть StackingRegressor, передавши regressors і meta_regressor.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Instantiate the 1st-layer regressors
reg_dt = ____(____, ____, random_state=500)
reg_lr = ____
reg_ridge = ____

# Instantiate the 2nd-layer regressor
reg_meta = LinearRegression()

# Build the Stacking regressor
reg_stack = ____
reg_stack.____

# Evaluate the performance on the test set using the MAE metric
pred = reg_stack.predict(X_test)
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, pred)))
Редагувати та запускати код