Modellgüte messen
Jetzt misst du die Regressionsleistung auf Trainings- und Testdaten mit zwei Metriken: root mean squared error und mean absolute error. Das ist ein entscheidender Schritt, um zu prüfen, wie „nah“ die Modellvorhersagen an den tatsächlichen Werten liegen.
Die Bibliothek numpy wurde als np geladen. Die Funktionen mean_absolute_error und mean_squared_error wurden importiert. Die Zielvariablen für Training und Test sind als train_Y und test_Y geladen, und die vorhergesagten Trainings- und Testwerte sind jeweils als train_pred_Y und test_pred_Y verfügbar.
Diese Übung ist Teil des Kurses
Machine Learning für Marketing mit Python
Anleitung zur Übung
- Berechne den root mean squared error auf den Trainingsdaten mit der Funktion
np.sqrt(). - Berechne den mean absolute error auf den Trainingsdaten.
- Berechne den root mean squared error auf den Testdaten.
- Berechne den mean absolute error auf den Testdaten.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))
# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)
# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))
# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)
# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))