Стекінг моделей I
Тепер час для стекінгу. Щоб реалізувати підхід стекінгу, виконайте 6 кроків, про які ми говорили в попередньому відео:
- Розбийте тренувальні дані на дві частини
- Навчіть кілька моделей на Частині 1
- Зробіть передбачення для Частини 2
- Зробіть передбачення для тестових даних
- Навчіть нову модель на Частині 2, використовуючи передбачення як ознаки
- Зробіть передбачення для тестових даних, використовуючи модель другого рівня
Датафрейми train і test уже доступні у вашому робочому середовищі. features — це список стовпців для тренування на даних Частини 1; він також доступний у вашому робочому середовищі. Назва цільової змінної — "fare_amount".
Ця вправа є частиною курсу
Як перемагати в змаганнях Kaggle за допомогою Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
# Split train data into two parts
part_1, part_2 = ____(train, test_size=____, random_state=123)
# Train a Gradient Boosting model on Part 1
gb = GradientBoostingRegressor().____(____[features], ____.fare_amount)
# Train a Random Forest model on Part 1
rf = RandomForestRegressor().____(____[features], ____.fare_amount)