以決策樹作為基學習器
現在該動手建立一個用來預測房價的 XGBoost 模型了——這次不是課程影片中的麻薩諸塞州波士頓，而是愛荷華州的艾姆斯（Ames, Iowa）！這個房價資料集已經預先載入為名為 df 的 DataFrame。你可以在 Shell 中探索它，會看到包含房屋與其在城市中位置等各式各樣的特徵。
在這個練習中，你的目標是使用樹作為基學習器。XGBoost 預設就使用樹作為基學習器，因此這裡不必另外用 booster="gbtree" 指定要使用樹。
xgboost 已匯入為 xgb，而特徵與目標的陣列分別已在 X 與 y 中可用。
本練習屬於課程
使用 XGBoost 的極端梯度提升
練習說明
- 將
df切分為訓練集與測試集，保留 20% 作為測試集。random_state設為123。 - 將
XGBRegressor建立為xg_reg，seed設為123。指定 objective 為"reg:squarederror"，並使用 10 棵樹。注意：不必指定booster="gbtree"，因為這是預設值。 - 將
xg_reg擬合到訓練資料，並預測測試集的標籤。將預測結果存成變數preds。 - 使用
np.sqrt()與已預先匯入自sklearn.metrics的mean_squared_error()函式計算rmse。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, ____=____, random_state=123)
# Instantiate the XGBRegressor: xg_reg
xg_reg = ____
# Fit the regressor to the training set
____
# Predict the labels of the test set: preds
preds = ____
# Compute the rmse: rmse
rmse = ____(____(____, ____))
print("RMSE: %f" % (rmse))