Vyhodnocení optimálního lesa

V tomto posledním cvičení kurzu vyhodnotíš RMSE optimálního modelu objektu grid_rf na testovací sadě.

Dataset je již načtený a zpracovaný a rozdělený na 80 % trénovací a 20 % testovací sadu. V prostředí máš k dispozici X_test, y_test a funkci mean_squared_error z sklearn.metrics pod aliasem MSE. Kromě toho je načtený i natrénovaný objekt GridSearchCV s názvem grid_rf, který jsi vytvořil/a v předchozím cvičení. Model grid_rf byl natrénován takto:

grid_rf.fit(X_train, y_train)

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in Python

Zobrazit kurz

Pokyny k cvičení

Importuj mean_squared_error jako MSE z sklearn.metrics.
Extrahuj nejlepší estimátor z grid_rf a přiřaď ho do proměnné best_model.
Předpověz štítky testovací sady pomocí best_model a výsledek ulož do y_pred.
Vypočítej RMSE modelu best_model na testovací sadě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import mean_squared_error from sklearn.metrics as MSE 
____

# Extract the best estimator
best_model = ____

# Predict test set labels
y_pred = ____

# Compute rmse_test
rmse_test = ____

# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))

Upravit a spustit kód