Evaluar el bosque óptimo
En este último ejercicio del curso, evaluarás el conjunto de pruebas RMSE del modelo óptimo de grid_rf.
El conjunto de datos ya está cargado y procesado para ti, y está dividido en un 80 % de entrenamiento y un 20 % de prueba. En tu entorno están disponibles X_test, y_test y la función mean_squared_error de sklearn.metrics bajo el alias MSE. Además, también hemos cargado el objeto GridSearchCV entrenado grid_rf que instanciaste en el ejercicio anterior. Ten en cuenta que grid_rf se entrenó del siguiente modo:
grid_rf.fit(X_train, y_train)
Este ejercicio forma parte del curso
Machine learning con modelos basados en árboles en Python
Instrucciones del ejercicio
Importa
mean_squared_errorcomoMSEdesdesklearn.metrics.Extrae el mejor estimador de
grid_rfy asígnalo abest_model.Predice las etiquetas del conjunto de pruebas de
best_modely asigna el resultado ay_pred.Calcula el conjunto de pruebas
best_model's RMSE.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Import mean_squared_error from sklearn.metrics as MSE
____
# Extract the best estimator
best_model = ____
# Predict test set labels
y_pred = ____
# Compute rmse_test
rmse_test = ____
# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))