LoslegenKostenlos loslegen

Trainingsfehler auswerten

Jetzt bewertest du das RMSE auf dem Trainingssatz, das der Regressionsbaum dt erreicht, den du in einer vorherigen Übung instanziiert hast.

Zusätzlich zu dt stehen dir X_train und y_train in deinem Workspace zur Verfügung.

Beachte, dass in scikit-learn das MSE eines Modells wie folgt berechnet werden kann:

MSE_model = mean_squared_error(y_true, y_predicted)

Dabei verwenden wir die Funktion mean_squared_error aus dem Modul metrics und übergeben als erstes Argument die wahren Labels y_true und als zweites Argument die vom Modell vorhergesagten Labels y_predicted.

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.
  • Fitte dt auf den Trainingssatz.
  • Sage die Trainingslabels von dt voraus und weise das Ergebnis y_pred_train zu.
  • Werte das Trainings-RMSE von dt aus und weise es RMSE_train zu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))
Code bearbeiten und ausführen