Měření kvality modelu
Teď změříš výkon regresního modelu na trénovacích i testovacích datech pomocí dvou metrik – odmocniny střední kvadratické chyby a střední absolutní chyby. Jde o klíčový krok, při kterém zjistíš, jak „blízko" jsou předpovědi modelu skutečným hodnotám.
Knihovna numpy je načtena jako np. Funkce mean_absolute_error a mean_squared_error jsou také připravené k použití. Trénovací a testovací cílové proměnné jsou načteny jako train_Y a test_Y a predikované hodnoty pro trénovací a testovací data jsou dostupné jako train_pred_Y a test_pred_Y.
Toto cvičení je součástí kurzu
Machine Learning for Marketing in Python
Pokyny k cvičení
- Vypočítej odmocninu střední kvadratické chyby na trénovacích datech pomocí funkce
np.sqrt(). - Vypočítej střední absolutní chybu na trénovacích datech.
- Vypočítej odmocninu střední kvadratické chyby na testovacích datech.
- Vypočítej střední absolutní chybu na testovacích datech.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))
# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)
# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))
# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)
# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))