LoslegenKostenlos loslegen

Trainingsfehler auswerten

Jetzt wertest du das RMSE auf dem Trainingssatz aus, das vom Regressionsbaum dt erreicht wurde, den du in einer vorherigen Übung instanziiert hast.

Neben 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)

Hierbei 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 Trainings-Labels von dt voraus und weise das Ergebnis y_pred_train zu.
  • Werte das Trainings-RMSE von dt aus und speichere es in RMSE_train.

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