Vyhodnocení regresního stromu
V tomto cvičení vyhodnotíš výkon modelu dt na testovací sadě pomocí metriky RMSE (Root Mean Squared Error). RMSE měří, o kolik se predikce modelu průměrně liší od skutečných hodnot. Vypočítáš ji jako odmocninu střední kvadratické chyby (MSE) modelu.
V tvém pracovním prostoru jsou k dispozici matice příznaků X_test, pole y_test a rozhodovací strom dt, který jsi natrénoval/a v předchozím cvičení.
Toto cvičení je součástí kurzu
Machine Learning with Tree-Based Models in Python
Pokyny k cvičení
- Importuj funkci
mean_squared_errorjakoMSEz modulusklearn.metrics. - Predikuj štítky testovací sady a výsledek ulož do proměnné
y_pred. - Vypočítej MSE na testovací sadě pomocí funkce
MSEa výsledek ulož domse_dt. - Vypočítej RMSE na testovací sadě a ulož ji do
rmse_dt.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____
# Compute y_pred
____ = ____.____(____)
# Compute mse_dt
____ = ____(____, ____)
# Compute rmse_dt
____ = ____
# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))