Erreur absolue moyenne

Communiquer les résultats d'un modèle peut être difficile. Cependant, la plupart des clients comprennent qu'en moyenne, un modèle prédictif peut se tromper d'un certain nombre. Cela rend l'explication de l'erreur absolue moyenne facile. Par exemple, si vous prédisez 42 victoires pour une équipe de basketball et qu'elle en obtient 40, vous pouvez simplement expliquer que l'écart est de deux victoires.

Dans cet exercice, vous passez une entrevue pour un nouveau poste et on vous fournit deux tableaux : y_test, le nombre réel de victoires pour les 30 équipes de la NBA en 2017, et predictions, qui contient une prédiction pour chaque équipe. Pour vérifier votre compréhension, on vous demande de calculer manuellement la MAE et d'utiliser sklearn.

Cette activité fait partie du cours

Validation de modèles en Python

Instructions de l’exercice

Calculez manuellement la MAE en utilisant n comme nombre d'observations prédites.
Calculez la MAE avec sklearn.
Affichez les deux valeurs d'exactitude à l'aide des instructions print.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

from sklearn.metrics import mean_absolute_error

# Manually calculate the MAE
n = ____(predictions)
mae_one = sum(____(y_test - predictions)) / n
print('With a manual calculation, the error is {}'.format(____))

# Use scikit-learn to calculate the MAE
mae_two = ____(____, ____)
print('Using scikit-learn, the error is {}'.format(____))

Modifier et exécuter le code

Cette activité fait partie du cours

Validation de modèles en Python

SkillTag.level.intermediateSkillTag.label

4.9+

Commencer le cours gratuitement

Avant de pouvoir valider des modèles, il faut savoir comment les créer et les utiliser. Ce chapitre présente une introduction à l'exécution de modèles de régression et de classification avec scikit-learn. Nous nous appuierons sur ces bases de construction de modèles dans les chapitres suivants.

Exercise 1: Introduction à la validation de modèles Exercise 2: Étapes de modélisation Exercise 3: Données vues vs non vues Exercise 4: Modèles de régression Exercise 5: Définir des paramètres et entraîner un modèle Exercise 6: Importances des caractéristiques Exercise 7: Modèles de classification Exercise 8: Prédictions de classification Exercise 9: Réutiliser les paramètres du modèle Exercise 10: Classificateur par forêt aléatoire

Ce chapitre porte sur les fondements de la validation de modèles. De la division des données en ensembles d'entraînement, de validation et de test à la compréhension du compromis biais-variance, nous préparons le terrain pour les techniques de validation K-Fold et Leave-One-Out mises en pratique au chapitre trois.

Exercise 1: Créer des jeux de données d'entraînement, de test et de validation Exercise 2: Créer un seul ensemble de validation (holdout)Exercise 3: Créer deux ensembles de validation externe Exercise 4: Pourquoi utiliser des ensembles de retenue (holdout)Exercise 5: Mesures de précision : modèles de régression Exercise 6: Erreur absolue moyenne

Exercice en cours

Exercise 7: Erreur quadratique moyenne Exercise 8: Performance sur des sous-ensembles de données Exercise 9: Mesures de classification Exercise 10: Matrices de confusion Exercise 11: Matrices de confusion, encore Exercise 12: Précision vs rappel Exercise 13: Le compromis biais-variance Exercise 14: Erreur due au sous/apprentissage excessif Exercise 15: Suis-je en sous-apprentissage?

Les ensembles de retenue constituent un excellent point de départ pour la validation. Toutefois, utiliser un seul ensemble d'entraînement et de test est souvent insuffisant. La validation croisée est considérée comme la référence pour valider la performance d'un modèle et est presque toujours utilisée lors de l'ajustement des hyperparamètres. Ce chapitre se concentre sur la réalisation de validations croisées pour évaluer la performance des modèles.

Exercise 1: Les limites des jeux de validation (holdout)Exercise 2: Deux échantillons Exercise 3: Problèmes potentiels Exercise 4: Validation croisée Exercise 5: `KFold()` de scikit-learn Exercise 6: Utiliser les indices KFold Exercise 7: cross_val_score() de sklearn Exercise 8: Méthodes de scikit-learn Exercise 9: Implanter cross_val_score()Exercise 10: Validation croisée « leave-one-out » (LOOCV)Exercise 11: Quand utiliser la LOOCV Exercise 12: Leave-one-out cross-validation

Les trois premiers chapitres portaient sur des techniques de validation de modèles. Au chapitre 4, nous appliquons ces techniques, en particulier la validation croisée, tout en apprenant l'optimisation des hyperparamètres. Après tout, la validation rend l'ajustement possible et nous aide à choisir le meilleur modèle global.

Exercise 1: Introduction à l'ajustement des hyperparamètres Exercise 2: Créer des hyperparamètres Exercise 3: Exécuter un modèle à l'aide d'intervalles Exercise 4: RandomizedSearchCV Exercise 5: Préparer RandomizedSearch Exercise 6: Mettre en œuvre RandomizedSearchCV Exercise 7: Choisir votre modèle final Exercise 8: Meilleure précision de classification Exercise 9: Choisir le meilleur modèle en précision Exercise 10: Cours terminé !