CommencezCommencez gratuitement

Visualiser la performance de modèles de régression

Vous avez maintenant vu comment évaluer plusieurs modèles prêts à l'emploi. Vous allez construire trois modèles de régression pour prédire le niveau d'"energy" d'une chanson.

Des variables fictives (dummies) pour "genre" ont été ajoutées au jeu de données music_df. De plus, les tableaux de caractéristiques et de cible ont été créés, puis séparés en X_train, X_test, y_train et y_test.

Les éléments suivants ont été importés pour vous : LinearRegression, Ridge, Lasso, cross_val_score et KFold.

Cette activité fait partie du cours

Apprentissage supervisé avec scikit-learn

Voir le cours

Instructions de l’exercice

  • Écrivez une boucle for en utilisant model comme itérateur et model.values() comme itérable.
  • Effectuez une validation croisée sur les caractéristiques d'entraînement et le tableau cible d'entraînement avec le modèle, en définissant cv égal à l'objet KFold.
  • Ajoutez les scores de validation croisée du modèle à la liste results.
  • Créez un diagramme en boîte (box plot) affichant les résultats, avec les étiquettes de l'axe des x correspondant aux noms des modèles.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Modifier et exécuter le code