Začněte nyníZačněte zdarma

Regrese s kategorickými příznaky

Teď, když máš vytvořený music_dummies s binárními příznaky pro každý žánr skladby, je čas sestavit model ridge regrese pro předpověď popularity písní.

music_dummies je předem načtený spolu s Ridge, cross_val_score, numpy jako np a objektem KFold uloženým jako kf.

Model bude hodnocen pomocí průměrné hodnoty RMSE. Nejdříve ale budeš muset převést skóre jednotlivých foldů na kladné hodnoty a vypočítat jejich odmocninu. Tato metrika ukazuje průměrnou chybu předpovědí modelu, takže ji lze porovnat se směrodatnou odchylkou cílové proměnné—"popularity".

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř X obsahující všechny příznaky z music_dummies a y tvořené sloupcem "popularity".
  • Vytvoř instanci modelu ridge regrese a nastav alpha na hodnotu 0.2.
  • Proveď křížovou validaci na X a y pomocí ridge modelu, nastav cv na kf a jako metriku hodnocení použij zápornou střední kvadratickou chybu.
  • Vypiš hodnoty RMSE tak, že záporné scores převedeš na kladné a vypočítáš jejich odmocninu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create X and y
X = ____
y = ____

# Instantiate a ridge model
ridge = ____

# Perform cross-validation
scores = ____(____, ____, ____, cv=____, scoring="____")

# Calculate RMSE
rmse = np.____(____)
print("Average RMSE: {}".format(np.mean(rmse)))
print("Standard Deviation of the target array: {}".format(np.std(y)))
Upravit a spustit kód