Začněte nyníZačněte zdarma

Střední kvadratická chyba

Vraťme se k předpovědím NBA pro rok 2017. Každý rok se najdou týmy, které vyhrají výrazně více zápasů, než se čekalo. Pokud použiješ MAE, tato metrika přesnosti špatné předpovědi tak dobře nezachytí jako MSE. Umocnění velkých chyb ze špatných předpovědí výslednou přesnost znatelně zhorší.

V tomto příkladu chtějí manažeři NBA lépe předpovídat počty výher jednotlivých týmů. K výpočtu chyby předpovědí použiješ střední kvadratickou chybu. Skutečné počty výher jsou načteny jako y_test a předpovědi jako predictions.

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej MSE ručně. $$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i ) ^2 }{n} $$
  • Vypočítej MSE pomocí sklearn.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.metrics import ____

n = ___(predictions)
# Finish the manual calculation of the MSE
mse_one = sum((y_test - predictions)____) / n
print('With a manual calculation, the error is {}'.format(mse_one))

# Use the scikit-learn function to calculate MSE
mse_two = ____
print('Using scikit-learn, the error is {}'.format(mse_two))
Upravit a spustit kód