ComenzarEmpieza gratis

Evalúa el error de entrenamiento

Ahora evaluarás el conjunto de entrenamiento RMSE conseguido por el árbol de regresión dt que instanciaste en un ejercicio anterior.

Además de dt, X_train y y_train están disponibles en tu espacio de trabajo.

Ten en cuenta que en scikit-learn, la MSE de un modelo se puede calcular de la siguiente manera:

MSE_model = mean_squared_error(y_true, y_predicted)

donde utilizamos la función mean_squared_error del módulo metrics y le pasamos las etiquetas verdaderas y_true como primer argumento, y las etiquetas predichas del modelo y_predicted como segundo argumento.

Este ejercicio forma parte del curso

Machine learning con modelos basados en árboles en Python

Ver curso

Instrucciones de ejercicio

  • Importa mean_squared_error como MSE desde sklearn.metrics.
  • Ajusta dt al conjunto de entrenamiento.
  • Predice las etiquetas del conjunto de entrenamiento de dt y asigna el resultado a y_pred_train.
  • Evalúa el conjunto de entrenamiento dt's RMSE y asígnalo a RMSE_train.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))
Editar y ejecutar código