CommencezCommencez gratuitement

Performance en régression

Vous avez maintenant ajusté un modèle, reg, en utilisant toutes les variables explicatives de sales_df, et généré des prédictions de valeurs de ventes. Vous pouvez évaluer la performance avec des mesures classiques de régression.

Les variables X_train, X_test, y_train, y_test et y_pred, ainsi que le modèle ajusté reg, tous issus de l'exercice précédent, ont été préchargés pour vous.

Votre tâche consiste à mesurer dans quelle mesure les variables explicatives permettent d'expliquer la variance de la cible et à évaluer la capacité du modèle à prédire sur des données jamais vues.

Cette activité fait partie du cours

Apprentissage supervisé avec scikit-learn

Voir le cours

Instructions de l’exercice

  • Importez root_mean_squared_error.
  • Calculez le score R au carré du modèle en passant les valeurs des variables explicatives de test et les valeurs cibles de test à une méthode appropriée.
  • Calculez l'erreur quadratique moyenne racine du modèle en utilisant y_test et y_pred.
  • Affichez r_squared et rmse.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import root_mean_squared_error
from ____.____ import ____

# Compute R-squared
r_squared = reg.____(____, ____)

# Compute RMSE
rmse = ____(____, ____)

# Print the metrics
print("R^2: {}".format(____))
print("RMSE: {}".format(____))
Modifier et exécuter le code