Filmeinnahmen vorhersagen
Beginnen wir die Aufgabe, Filmeinnahmen vorherzusagen, mit einer einfachen linearen Regression, die die Log-Einnahmen von Filmen basierend auf dem Merkmal 'budget' schätzt. Die Metrik, die du hier verwendest, ist die RMSE (Root Mean Squared Error). Um sie mit scikit-learn zu berechnen, kannst du die Funktion mean_squared_error() aus dem Modul sklearn.metrics verwenden und anschließend mit numpy die Quadratwurzel ziehen.
Der Datensatz movies wurde für dich geladen und in Trainings- und Testdaten aufgeteilt. Außerdem wurden fehlende Werte durch Nullen ersetzt. Wir haben das Eingabemerkmal auch mit StandardScaler() standardisiert. Schau dir die DataCamp-Kurse zu Datenbereinigung und Feature Engineering an, wenn du mehr über Preprocessing für Machine Learning lernen möchtest.
Diese Übung ist Teil des Kurses
Ensemble-Methoden in Python
Anleitung zur Übung
- Instanziiere das Standardmodell
LinearRegression. - Berechne die Vorhersagen für den Testsatz.
- Berechne die RMSE. Die Funktion
mean_squared_error()erwartet zwei Argumente:y_test, gefolgt von den Vorhersagen.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Build and fit linear regression model
reg_lm = ____
reg_lm.fit(X_train, y_train)
# Calculate the predictions on the test set
pred = ____
# Evaluate the performance using the RMSE
rmse = np.sqrt(____)
print('RMSE: {:.3f}'.format(rmse))