LoslegenKostenlos starten

In-Sample-Leistung

Es ist sehr wichtig zu wissen, ob dein Regressionsmodell nützlich ist oder nicht. Ein nützliches Modell kann eines sein, das die Struktur deines Trainingssatzes gut erfasst. Eine Möglichkeit, diese In-Sample-Leistung zu beurteilen, ist, auf Trainingsdaten zu prognostizieren und den mittleren absoluten Fehler aller vorhergesagten Datenpunkte zu berechnen.

In dieser Übung bewertest du deine In-Sample-Vorhersagen mit MAE (mean absolute error). Der MAE sagt dir ungefähr, wie weit die Vorhersagen von den wahren Werten entfernt sind.

Er wird mit der folgenden Formel berechnet, wobei \(n\) die Anzahl der getätigten Vorhersagen ist:

$$MAE = \frac{1}{n} \cdot \sum_{i=1}^n \text{absoluter Wert des }i\text{-ten Fehlers}$$

In deinem Workspace liegt dein model bereit, der Regressionsbaum, den du in den letzten Übungen gebaut hast.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erzeuge in_sample_predictions, indem du mit model auf dem Tibble chocolate_train vorhersagst.
  • Berechne einen Vektor abs_diffs, der die absoluten Differenzen zwischen den In-Sample-Vorhersagen und den wahren Noten enthält.
  • Berechne den mittleren absoluten Fehler gemäß der obigen Formel.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Predict using the training set
in_sample_predictions <- predict(model,
                                 ___)

# Calculate the vector of absolute differences
abs_diffs <- ___(__$___ - ___$___)

# Calculate the mean absolute error
1 / ___ * ___
Code bearbeiten und ausführen