CommencezCommencez gratuitement

Évaluer la forêt optimale

Dans ce dernier exercice du cours, vous allez évaluer la RMSE sur l'ensemble de test du modèle optimal de grid_rf.

Le jeu de données est déjà chargé et préparé pour vous, avec une division de 80 % pour l'entraînement et 20 % pour le test. Votre environnement contient X_test, y_test et la fonction mean_squared_error de sklearn.metrics sous l'alias MSE. De plus, nous avons aussi chargé l'objet GridSearchCV entraîné, grid_rf, que vous avez instancié à l'exercice précédent. Notez que grid_rf a été entraîné comme suit :

grid_rf.fit(X_train, y_train)

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 mean_squared_error sous l'alias MSE à partir de sklearn.metrics.

  • Extrayez le meilleur estimateur de grid_rf et assignez-le à best_model.

  • Prédisez les étiquettes de l'ensemble de test avec best_model et assignez le résultat à y_pred.

  • Calculez la RMSE de best_model sur l'ensemble de test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))
Modifier et exécuter le code