Erste SchritteKostenlos loslegen

Vorhersage für die Testmenge

In der letzten Übung schienen lineare Regression und Ridge zu ähnlichen Ergebnissen zu führen. Es wäre sinnvoll, eines der beiden Modelle zu wählen. Du kannst jedoch die Vorhersageleistung mit der Testmenge prüfen, um zu sehen, ob eines der beiden Modelle das andere übertreffen kann.

Du wirst die Quadratwurzel des mittleren quadratischen Fehlers (RMSE) als Kennzahl verwenden. Das Dictionary models, das die Namen und Instanzen der beiden Modelle enthält, wurde zusammen mit den Trainings- und Zielarrays X_train_scaled, X_test_scaled, y_train und y_test für dich vorgeladen.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Importiere mean_squared_error.
  • Passe das Modell an die skalierten Trainingsmerkmale und die Trainingslabels an.
  • Mache Vorhersagen anhand der skalierten Testmerkmale.
  • Berechne den RMSE, indem du die Labels der Testmenge und die vorhergesagten Labels übergibst.

Interaktive Übung zum Anfassen

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

# Import mean_squared_error
from ____.____ import ____

for name, model in models.items():
  
  # Fit the model to the training data
  ____
  
  # Make predictions on the test set
  y_pred = ____
  
  # Calculate the test_rmse
  test_rmse = ____(____, ____, squared=____)
  print("{} Test Set RMSE: {}".format(name, test_rmse))
Bearbeiten und Ausführen von Code