Day_026_HW 準確度反而上升的結果解釋
老師們您好，
關於day 26作業上的執行，我使用與解答略為不同的方式進行經度實際距離cos轉換，我的程式碼如下：
df['distance_real'] = ((df['pickup_latitude'].map(lambda x: math.cos(x/180*math.pi))*df['longitude_diff'])**2 + df['latitude_diff']**2)**0.5
我得到的結果看在gradient boosting看來跟解答情況類似，但是linear regression的結果卻提昇了將近10倍，達到23%。
但是只跑real distance單變量時（作業2），結果也跟解答差不多，R^2都不到1%
想知道：
1. 會發生原因，是因為找出real distance與2D distance 對Fare 的 mask association嗎？
2. 為什麼gradient boosting跟Linear regression面對「多一個變數的變化」會差這麼多？
3. 在真實世界中，這算是個aha-moment嗎？還是有什麼實際操作來更審慎的看待這個發現？
完整程式碼：
import math
df['distance_real'] = ((df['pickup_latitude'].map(lambda x: math.cos(x/180*math.pi))*df['longitude_diff'])**2 + df['latitude_diff']**2)**0.5
# 觀察結果
train_X = scaler.fit_transform(df)
print(f'Linear Reg Score : {cross_val_score(Linear, train_X, train_Y, cv=5).mean()}')
print(f'Gradient Boosting Reg Score : {cross_val_score(GDBT, train_X, train_Y, cv=5).mean()}')