LoslegenKostenlos loslegen

Den optimalen Forest evaluieren

In dieser letzten Übung des Kurses bewertest du das Test-Set-RMSE des optimalen Modells von grid_rf.

Der Datensatz ist bereits für dich geladen und aufbereitet und in 80 % Train und 20 % Test aufgeteilt. In deiner Umgebung stehen X_test, y_test und die Funktion mean_squared_error aus sklearn.metrics unter dem Alias MSE zur Verfügung. Zusätzlich haben wir das trainierte GridSearchCV-Objekt grid_rf geladen, das du in der vorherigen Übung instanziiert hast. Beachte, dass grid_rf wie folgt trainiert wurde:

grid_rf.fit(X_train, y_train)

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit baumbasierten Modellen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere mean_squared_error als MSE aus sklearn.metrics.

  • Extrahiere den besten Schätzer aus grid_rf und weise ihn best_model zu.

  • Sage die Test-Set-Labels von best_model voraus und weise das Ergebnis y_pred zu.

  • Berechne das Test-Set-RMSE von best_model.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import mean_squared_error from sklearn.metrics as MSE 
____

# Extract the best estimator
best_model = ____

# Predict test set labels
y_pred = ____

# Compute rmse_test
rmse_test = ____

# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))
Code bearbeiten und ausführen