Erste SchritteKostenlos loslegen

Beurteile den Trainingsfehler

Du wirst nun die Trainingsmenge RMSE des Regressionsbaums dt auswerten, den du in einer früheren Übung erstellt hast.

Zusätzlich zu dt sind X_train und y_train in deinem Arbeitsbereich verfügbar.

Beachte, dass in scikit-learn die 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 ihr die wahren Bezeichnungen y_true als erstes Argument und die vorhergesagten Bezeichnungen aus dem Modell y_predicted als zweites Argument.

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.
  • Passe dt an die Trainingsmenge an.
  • Sage die Bezeichnungen der Trainingsmenge dt voraus und ordne das Ergebnis y_pred_train zu.
  • Evaluiere dt's Trainingsmenge RMSE und ordne sie RMSE_train zu.

Interaktive Übung zum Anfassen

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

# 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))
Bearbeiten und Ausführen von Code