Mide el ajuste del modelo
Ahora vas a medir el rendimiento de la regresión tanto en los datos de entrenamiento como en los de test con dos métricas: raíz del error cuadrático medio y error absoluto medio. Este es un paso clave en el que mides cuán "cerca" están las predicciones del modelo respecto a los valores reales.
La biblioteca numpy se ha cargado como np. Las funciones mean_absolute_error y mean_squared_error se han cargado. Las variables objetivo de entrenamiento y de test están cargadas como train_Y y test_Y, y los valores predichos de entrenamiento y de test se han importado como train_pred_Y y test_pred_Y, respectivamente.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Calcula la raíz del error cuadrático medio en los datos de entrenamiento usando la función
np.sqrt(). - Calcula el error absoluto medio en los datos de entrenamiento.
- Calcula la raíz del error cuadrático medio en los datos de test.
- Calcula el error absoluto medio en los datos de test.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))
# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)
# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))
# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)
# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))