Ergebnisse des Lasso-Modells
Jetzt, da du das Lasso-Modell trainiert hast, bewertest du seine Vorhersageleistung (\(R^2\)) auf dem Test-Set und zählst, wie viele Features ignoriert werden, weil ihr Koeffizient auf null reduziert wurde.
Die Datensätze X_test und y_test wurden bereits für dich geladen.
Das Lasso()-Modell und der StandardScaler() wurden als la bzw. scaler instanziiert und beide auf die Trainingsdaten gefittet.
Diese Übung ist Teil des Kurses
Dimensionsreduktion in Python
Anleitung zur Übung
- Transformiere das Test-Set mit dem vorab gefitteten Scaler.
- Berechne den \(R^2\)-Wert auf den skalierten Testdaten.
- Erstelle eine Liste, die True enthält, wenn Koeffizienten gleich 0 sind.
- Berechne die Gesamtzahl der Features mit Koeffizient 0.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Transform the test set with the pre-fitted scaler
X_test_std = scaler.____
# Calculate the coefficient of determination (R squared) on X_test_std
r_squared = la.____(____, ____)
print(f"The model can predict {r_squared:.1%} of the variance in the test set.")
# Create a list that has True values when coefficients equal 0
zero_coef = la.____ == ____
# Calculate how many features have a zero coefficient
n_ignored = sum(____)
print(f"The model has ignored {n_ignored} out of {len(la.coef_)} features.")