LoslegenKostenlos starten

Den Regressionsbaum auswerten

In dieser Übung bewertest du die Test-Performance von dt mit der Kennzahl Root Mean Squared Error (RMSE). Die RMSE eines Modells misst im Durchschnitt, wie stark die Vorhersagen des Modells von den tatsächlichen Labels abweichen. Die RMSE eines Modells erhältst du, indem du die Quadratwurzel des Mean Squared Error (MSE) des Modells berechnest.

Die Merkmalematrix X_test, das Array y_test sowie der Decision-Tree-Regressor dt, den du in der vorherigen Übung trainiert hast, stehen in deinem Workspace bereit.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Importiere die Funktion mean_squared_error als MSE aus sklearn.metrics.
  • Sage die Labels des Testsets voraus und weise die Ausgabe y_pred zu.
  • Berechne den MSE des Testsets, indem du MSE aufrufst, und speichere das Ergebnis in mse_dt.
  • Berechne die RMSE des Testsets und weise sie rmse_dt zu.

Interaktive praktische 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