Začněte nyníZačněte zdarma

Viděná vs. neviděná data

Modely mají tendenci dosahovat vyšší přesnosti na datech, která již viděly. V datasetu s bonbony bude predikce popularity Skittles pravděpodobně přesnější než predikce popularity Andes Mints — Skittles jsou v datasetu obsaženy, zatímco Andes Mints ne.

Sestrojil/a sis model na základě 50 bonbonů s využitím datasetu X_train. Teď potřebuješ zjistit, jak přesný je tento model při predikci popularity těch 50 bonbonů, na nichž byl postaven, a také 35 bonbonů (X_test), které nikdy neviděl. Jako metriku přesnosti použiješ střední absolutní chybu, mae().

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Pomocí X_train a X_test jako vstupních dat vytvoř pole predikcí s využitím model.predict().
  • Vypočítej přesnost modelu jak na datech, která model viděl, tak na datech, která neviděl.
  • Použij připravené příkazy print k výpisu výsledků pro viděná i neviděná data.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# The model is fit using X_train and y_train
model.fit(X_train, y_train)

# Create vectors of predictions
train_predictions = model.predict(____)
test_predictions = model.predict(____)

# Train/Test Errors
train_error = mae(y_true=y_train, y_pred=____)
test_error = mae(y_true=y_test, y_pred=____)

# Print the accuracy for seen and unseen data
print("Model error on seen data: {0:.2f}.".format(____))
print("Model error on unseen data: {0:.2f}.".format(____))
Upravit a spustit kód