Erste SchritteKostenlos loslegen

Bewerten Sie den optimalen Wald

In dieser letzten Übung des Kurses bewertest du die Testmenge RMSE des optimalen Modells von grid_rf.

Der Datensatz ist bereits für dich geladen und verarbeitet und wird in 80% Training und 20% Test aufgeteilt. In deiner Umgebung sind X_test, y_test und die Funktion mean_squared_error von sklearn.metrics unter dem Alias MSE verfügbar. Außerdem 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 von sklearn.metrics.

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

  • Sage die Kennzeichnungen der Testmenge best_model voraus und ordne das Ergebnis y_pred zu.

  • Berechne die Testmenge von best_model RMSE .

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# 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))
Bearbeiten und Ausführen von Code