Začněte nyníZačněte zdarma

Výkon na trénovacích datech

Je důležité vědět, jestli je tvůj regresní model užitečný. Dobrý model dokáže dobře zachytit strukturu trénovací sady. Jedním ze způsobů, jak hodnotit tento in-sample výkon, je predikovat na trénovacích datech a spočítat střední absolutní chybu všech předpovědí.

V tomto cvičení vyhodnotíš své in-sample předpovědi pomocí MAE (střední absolutní chyby). MAE ti říká, jak daleko jsou předpovědi od skutečných hodnot v průměru.

Počítá se podle následujícího vzorce, kde \(n\) je počet provedených předpovědí:

$$MAE = \frac{1}{n} \cdot \sum_{i=1}^n \text{absolutní hodnota }i\text{. chyby}$$

V pracovním prostředí máš k dispozici svůj model — regresní strom sestavený v předchozích cvičeních.

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in R

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř in_sample_predictions tak, že použiješ model k predikci na tibble chocolate_train.
  • Vypočítej vektor abs_diffs obsahující absolutní rozdíly mezi in-sample předpověďmi a skutečnými hodnotami.
  • Vypočítej střední absolutní chybu podle výše uvedeného vzorce.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Predict using the training set
in_sample_predictions <- predict(model,
                                 ___)

# Calculate the vector of absolute differences
abs_diffs <- ___(__$___ - ___$___)

# Calculate the mean absolute error
1 / ___ * ___
Upravit a spustit kód