CommencezCommencez gratuitement

Évaluer l'arbre de régression

Dans cet exercice, vous évaluerez la performance sur l'ensemble de test de dt à l'aide de l'indicateur Root Mean Squared Error (RMSE). La RMSE d'un modèle mesure, en moyenne, l'écart entre les prédictions du modèle et les étiquettes réelles. On obtient la RMSE en calculant la racine carrée de la Mean Squared Error (MSE) du modèle.

La matrice de caractéristiques X_test, le tableau y_test, ainsi que l'arbre de décision régressif dt que vous avez entraîné dans l'exercice précédent sont disponibles dans votre espace de travail.

Cette activité fait partie du cours

Machine Learning avec des modèles à base d'arbres en Python

Voir le cours

Instructions de l’exercice

  • Importez la fonction mean_squared_error sous le nom MSE à partir de sklearn.metrics.
  • Prédisez les étiquettes de l'ensemble de test et assignez le résultat à y_pred.
  • Calculez la MSE de l'ensemble de test en appelant MSE et assignez le résultat à mse_dt.
  • Calculez la RMSE de l'ensemble de test et assignez-la à rmse_dt.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____

# Compute y_pred
____ = ____.____(____)

# Compute mse_dt
____ = ____(____, ____)

# Compute rmse_dt
____ = ____

# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))
Modifier et exécuter le code