用于预测收入的 Boosting
初始模型的 RMSE 约为 7.34。让我们看看能否通过一次 boosting 迭代来改进这一结果。
您将再训练一个线性回归模型，但这次的目标值是基模型的误差，计算方式如下：
y_train_error = pred_train - y_train
y_test_error = pred_test - y_test
对于这个模型，您将改用 'popularity' 特征，希望它比仅使用 'budget' 特征能提供更有信息量的模式。对应的数据为 X_train_pop 和 X_test_pop。与上一个练习相同，输入特征已为您标准化。
本练习是课程的一部分
Python 中的集成方法
练习说明
- 使用
X_train_pop和y_train_error，对先前的误差拟合一个线性回归模型。 - 在测试集
X_test_pop上计算预测误差。 - 按照上一个练习的方法，使用
y_test_error和pred_error计算 RMSE。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Fit a linear regression model to the previous errors
reg_error = LinearRegression()
____
# Calculate the predicted errors on the test set
pred_error = ____
# Evaluate the updated performance
rmse_error = ____
print('RMSE: {:.3f}'.format(rmse_error))