RMSE paso a paso

En este ejercicio vas a cuantificar el "ajuste global" de un modelo ya construido calculando, paso a paso, una de las métricas cuantitativas más comunes de calidad del modelo: el RMSE.

Empieza con los datos precargados x_data y y_data, y utilízalos con la función de modelado predefinida model_fit_and_predict().

Este ejercicio forma parte del curso

Introducción al modelado lineal en Python

Ver curso

Instrucciones del ejercicio

Calcula los valores de y_model con model_fit_and_predict(x_data, y_data).
Calcula los residuals como la diferencia entre y_model y y_data.
Usa np.sum() y np.square() para calcular el RSS, y divide entre len(residuals) para obtener el MSE.
Aplica np.sqrt() al MSE para obtener el RMSE, y muestra por pantalla todos los resultados.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Build the model and compute the residuals "model - data"
y_model = model_fit_and_predict(x_data, y_data)
residuals = ____ - ____

# Compute the RSS, MSE, and RMSE and print the results
RSS = np.____(np.____(residuals))
MSE = ____/len(residuals)
RMSE = np.____(____)
print('RMSE = {:0.2f}, MSE = {:0.2f}, RSS = {:0.2f}'.format(RMSE, MSE, RSS))

Editar y ejecutar código