以决策树作为基学习器
现在是构建 XGBoost 模型来预测房价的时候了——不是视频中看到的马萨诸塞州波士顿，而是爱荷华州 Ames！这个房价数据集已预加载为名为 df 的 DataFrame。若您在 Shell 中查看，会发现包含多种关于房屋及其在城市中位置的特征。
在本练习中，您的目标是使用树作为基学习器。默认情况下，XGBoost 使用树作为基学习器，因此无需通过 booster="gbtree" 指定使用树。
xgboost 已以 xgb 名称导入，特征和目标的数组分别可在 X 和 y 中使用。
本练习是课程的一部分
使用 XGBoost 的极端梯度提升
练习说明
- 将
df划分为训练集和测试集，留出 20% 作为测试集。使用random_state为123。 - 将
XGBRegressor实例化为xg_reg，使用seed为123。指定 objective 为"reg:squarederror"，并使用 10 棵树。注意：无需指定booster="gbtree"，因为这是默认值。 - 拟合
xg_reg到训练数据，并预测测试集的标签。将预测结果保存到名为preds的变量中。 - 使用
np.sqrt()和已预导入的sklearn.metrics中的mean_squared_error()函数计算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。
# 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))