在本章其餘內容中，你會使用 boosting 演算法來建立模型，根據以下特徵預測電影的對數收入（log-revenue）：'budget'、'popularity'、'runtime'、'vote_average' 和 'vote_count'。還有許多其他特徵，不過這些是我們的重點。你剛在前一個練習探索了目標變數，現在輪到這些特徵了！
'budget'
'popularity'
'runtime'
'vote_average'
'vote_count'
重點特徵已載入到變數 features。請使用 .describe() 方法來探索它。你觀察到什麼？
features
.describe()
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
是否常為了要從你建立的多個模型中挑出「最佳」而苦惱？其實不必糾結，直接把它們一起用吧！在本章中，你將學會如何用「Voting」與「Averaging」把多個模型合併為一個。你會用這些方法來預測 Google Play 商店的應用程式評分、判斷寶可夢是否為傳說等級，以及預測《冰與火之歌：權力遊戲》中哪些角色會死亡！
Bagging 是多種強大機器學習演算法（例如隨機森林）的底層 Ensemble 方法。這一章你會學到此技術的理論，並使用 scikit-learn 親手建立自己的 bagging 模型。
Boosting 是一類 Ensemble 學習演算法，其中包含屢獲獎項的模型，如 AdaBoost。在本章中，你將學習這個得獎模型，並用它來預測得獎電影的票房收入！你也會學到像 CatBoost 與 XGBoost 這類的梯度提升演算法。
當前練習
準備看看模型如何「層層相疊」！在最後一章，你將學習 stacking 這種 Ensemble 方法。你會學到如何用 scikit-learn 以及 mlxtend 來實作它！你會把 stacking 應用在預測北美蘑菇是否可食用，並以更進階的方法重新探討 Google 應用程式的評分。
