Erste SchritteKostenlos loslegen

Visualisierung der Leistung von Regressionsmodellen

Nachdem du im Video gesehen hast, wie du mehrere Modelle auswerten kannst, erstellst du nun drei Regressionsmodelle, um die Energiepegel von Songs vorherzusagen.

Dem Datensatz music_df wurden Dummy-Variablen für "genre" hinzugefügt. Außerdem wurden Arrays für die Merkmale und die Zielvariable erstellt und in X_train, X_test, y_train und y_test aufgeteilt.

Folgendes wurde bereits importiert: LinearRegression, Ridge, Lasso, cross_val_score und KFold.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Schreibe eine For-Schleife mit model als Iterator und model.values() als iterierbares Element.
  • Führe mithilfe des Modells eine Kreuzvalidierung mit den Merkmalen und der Zielvariablen der Trainingsmenge durch und setze cv gleich dem KFold-Objekt.
  • Füge die Ergebnisse der Kreuzvalidierung des Modells an die Ergebnisliste an.
  • Erstelle ein Kastendiagramm zur Anzeige der Ergebnisse und nutze die Namen der Modelle zur Beschriftung der x-Achse.

Interaktive Übung zum Anfassen

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

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Bearbeiten und Ausführen von Code