Bắt đầu ngayBắt đầu miễn phí

Quay lại hồi quy với stacking

Ở Chương 1, chúng ta xem bài toán xếp hạng ứng dụng là hồi quy, dự đoán điểm trong khoảng từ 1 đến 5. Đến giờ trong chương này, ta xử lý nó như một bài toán phân loại bằng cách làm tròn điểm đến số nguyên gần nhất. Để luyện tập dùng StackingRegressor, chúng ta sẽ quay lại cách tiếp cận hồi quy. Như thường lệ, các đặc trưng đầu vào đã được chuẩn hóa giúp bạn bằng StandardScaler().

MAE (mean absolute error) là thước đo đánh giá. Ở Chương 1, MAE khoảng 0.61. Hãy xem phương pháp ensemble stacking có thể giảm lỗi đó không.

Bài tập này là một phần của khóa học

Ensemble Methods in Python

Xem khóa học

Hướng dẫn bài tập

  • Khởi tạo một decision tree regressor với: min_samples_leaf = 11 và min_samples_split = 33.
  • Khởi tạo mô hình linear regression mặc định.
  • Khởi tạo mô hình hồi quy Ridge với random_state = 500.
  • Xây dựng và fit một StackingRegressor, truyền vào regressors và meta_regressor.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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)))
Chỉnh sửa và Chạy Mã