Začněte nyníZačněte zdarma

Predikce na testovací sadě

V předchozím cvičení dávaly lineární regrese a ridge podobné výsledky. Bylo by vhodné zvolit kterýkoli z těchto modelů – nicméně můžeš ještě ověřit prediktivní výkon na testovací sadě a zjistit, jestli některý z nich nepodá lepší výsledky.

Jako metriku použiješ střední kvadratickou chybu (RMSE). Slovník models obsahující názvy a instance obou modelů je pro tebe předem načtený spolu s trénovacími a testovacími poli X_train_scaled, X_test_scaled, y_train a y_test.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj root_mean_squared_error.
  • Natrénuj model na škálovaných trénovacích příznacích a trénovacích štítcích.
  • Vytvoř predikce pomocí škálovaných testovacích příznaků.
  • Vypočítej RMSE tak, že předáš skutečné štítky testovací sady a predikované štítky.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import root_mean_squared_error
from ____.____ import ____

for name, model in models.items():
  # Fit the model to the training data
  ____
  
  # Make predictions on the test set
  y_pred = ____
  
  # Calculate the test_rmse
  test_rmse = ____(____, ____)
  print("{} Test Set RMSE: {}".format(name, test_rmse))
Upravit a spustit kód