CommencezCommencez gratuitement

Évaluer l'erreur d'entraînement

Vous allez maintenant évaluer la RMSE sur le jeu d'entraînement obtenue par l'arbre de régression dt que vous avez instancié dans un exercice précédent.

En plus de dt, X_train et y_train sont disponibles dans votre espace de travail.

Remarquez que, dans scikit-learn, la MSE d'un modèle peut se calculer ainsi :

MSE_model = mean_squared_error(y_true, y_predicted)

où l'on utilise la fonction mean_squared_error du module metrics en lui passant d'abord les vraies étiquettes y_true comme premier argument, puis les étiquettes prédites par le modèle y_predicted comme second argument.

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 le nom MSE depuis sklearn.metrics.
  • Ajustez dt sur le jeu d'entraînement.
  • Prédisez les étiquettes du jeu d'entraînement avec dt et assignez le résultat à y_pred_train.
  • Évaluez la RMSE du jeu d'entraînement de dt et assignez-la à RMSE_train.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))
Modifier et exécuter le code