Vyhodnocení chyby na trénovací množině

Teď vyhodnotíš hodnotu RMSE na trénovací množině, které dosáhlo regresní rozhodovací strom dt vytvořený v předchozím cvičení.

Vedle dt máš v prostředí k dispozici také X_train a y_train.

V scikit-learn lze MSE modelu vypočítat takto:

MSE_model = mean_squared_error(y_true, y_predicted)

Použijeme funkci mean_squared_error z modulu metrics a předáme jí skutečné hodnoty y_true jako první argument a předpovězené hodnoty modelu y_predicted jako druhý argument.

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.
Natrénuj dt na trénovací množině.
Předpověz hodnoty dt na trénovací množině a výsledek ulož do y_pred_train.
Vypočítej RMSE modelu dt na trénovací množině a ulož ho do RMSE_train.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))

Upravit a spustit kód