cas-pml/SL/aufgaben/template/4_WS/WS 10 Vorlage.ipynb

WS 10 Performancevergleiche Regression

• Vergleichen Sie alle Regressoren (ausser SVR und MLPRegressor) mit folgenden Modifikationen
  • die Vergleiche werden ohne und mit Standardisierung der Features durchgeführt
  • die Resultate (r2_score) werden in Form einer Heatmap zusammengestellt
• informieren Sie sich zum Vorgehen am Code in 3.4 Regression - Modellvergleiche.ipynb
• Präsentation der Ergebnisse als
  • seaborn heatmap
  • alternative Visualisierung: Grouped barplots

Cell:

[Cell type raw - unsupported, skipped]

In [3]:

## prepare env, read and prepare data
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()

codepath = '../2_code'
datapath = '../3_data'
from sys import path; path.insert(1, codepath)
from os import chdir; chdir(datapath)

from bfh_cas_pml import prep_data
X_train, X_test, y_train, y_test = prep_data('melb_data_prep.csv', target='Price', seed=1234)

In [4]:

## standardize features (lead: train)
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(X_train)
X_train_sc = scaler.transform(X_train)
X_test_sc = scaler.transform(X_test)

In [5]:

## import trainer classes
## tbd

In [6]:

## define models
## tbd

In [7]:

## compare models
## tbd: prepare empty lists for results



# for model in models:

    ## not scaled
    ## tbd
    
    
    
    ## scaled
    ## tbd
    

    

Cell:

[Cell type raw - unsupported, skipped]

Fazit:

• tbd