充分发挥 AdaBoost 的威力
正如您所见，在预测电影票房时，以决策树为基学习器的 AdaBoost 表现最佳。
在本练习中，您将通过设置一些参数来进一步提升性能。具体来说，您将使用更低的学习率，使超参数的更新更平滑。因此，估计器的数量应相应增加。此外，数据中新增了以下特征：'runtime'、'vote_average' 和 'vote_count'。
本练习是课程的一部分
Python 中的集成方法
练习说明
- 使用
100个估计器和0.01的学习率构建一个AdaBoostRegressor。 - 将
reg_ada拟合到训练集，并在测试集上计算预测结果。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Build and fit an AdaBoost regressor
reg_ada = ____(____, ____, random_state=500)
reg_ada.fit(X_train, y_train)
# Calculate the predictions on the test set
pred = ____
# Evaluate the performance using the RMSE
rmse = np.sqrt(mean_squared_error(y_test, pred))
print('RMSE: {:.3f}'.format(rmse))