Erste SchritteKostenlos loslegen

Visualisierung der Leistung von Regressionsmodellen

Nachdem du nun gesehen hast, wie du mehrere Modelle auswerten kannst, wirst du drei Regressionsmodelle erstellen, um die "energy" eines Songs vorherzusagen.

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

Folgendes wurde für dich 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 Trainingsmerkmalen und dem Zielarray der Trainingsmenge durch und setze cv gleich dem KFold-Objekt.
  • Füge die Ergebnisse der Kreuzvalidierung des Modells an die Ergebnisliste an.
  • Erstelle ein Kastendiagramm, das die Ergebnisse anzeigt, wobei die Beschriftungen der x-Achse die Namen der Modelle sind.

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