LoslegenKostenlos loslegen

Evaluiere den Regressionsbaum

In dieser Übung bewertest du die Leistung von dt anhand der Metrik Root Mean Squared Error (RMSE). Die RMSE eines Modells misst, wie stark die Vorhersagen des Modells im Durchschnitt von den tatsächlichen Bezeichnungen abweichen. Die RMSE eines Modells kann durch die Berechnung der Quadratwurzel des mittleren quadratischen Fehlers des Modells (MSE) ermittelt werden.

Die Merkmalsmatrix X_test, das Array y_test und der Entscheidungsbaumregressor dt, die du in der vorherigen Übung trainiert hast, sind in deinem Arbeitsbereich verfügbar.

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit baumbasierten Modellen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere die Funktion mean_squared_error als MSE von sklearn.metrics.
  • Sage die Kennzeichnungen der Testmenge voraus und ordne die Ausgabe y_pred zu.
  • Berechne die Testmenge MSE, indem du MSE aufrufst und das Ergebnis mse_dt zuweist.
  • Berechne die Testmenge RMSE und ordne sie rmse_dt zu.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____

# Compute y_pred
____ = ____.____(____)

# Compute mse_dt
____ = ____(____, ____)

# Compute rmse_dt
____ = ____

# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))
Code bearbeiten und ausführen