Začněte nyníZačněte zdarma

Vizualizace výkonu regresních modelů

Teď, když víš, jak vyhodnotit více modelů najednou, sestavíš tři regresní modely pro předpovídání hodnot "energy" u písní.

Dataset music_df má přidané dummy proměnné pro sloupec "genre". Byly také vytvořeny pole příznaků a cílová pole, která jsou rozdělena na X_train, X_test, y_train a y_test.

Následující objekty jsou již naimportovány: LinearRegression, Ridge, Lasso, cross_val_score a KFold.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Napiš cyklus for s iterátorem model a iterovatelným objektem model.values().
  • Proveď křížovou validaci na trénovacích příznacích a trénovacím cílovém poli pomocí daného modelu a nastav cv na objekt KFold.
  • Přidej skóre křížové validace modelu do seznamu results.
  • Vytvoř krabicový graf zobrazující výsledky, kde popisky osy x odpovídají názvům modelů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Upravit a spustit kód