Vous allez maintenant mesurer la performance de la régression sur les données d'entraînement et de test avec deux mesures : la racine de l'erreur quadratique moyenne et l'erreur absolue moyenne. C'est une étape essentielle où vous évaluez à quel point les prédictions du modèle sont « proches » des valeurs réelles.

La bibliothèque numpy a été chargée sous le nom np. Les fonctions mean_absolute_error et mean_squared_error ont été chargées. Les variables cibles d'entraînement et de test sont chargées sous train_Y et test_Y, et les valeurs prédites d'entraînement et de test sont importées sous train_pred_Y et test_pred_Y respectivement.

Notions de base sur la Customer Lifetime Value (CLV)

Create Your Free Account