CommencerCommencer gratuitement

RMSE étape par étape

Dans cet exercice, vous allez quantifier la « qualité d’ajustement » globale d’un modèle préconstruit en calculant, étape par étape, l’une des mesures quantitatives les plus courantes de la qualité d’un modèle : le RMSE.

Commencez avec les données préchargées x_data et y_data, et utilisez-les avec la fonction de modélisation prédéfinie model_fit_and_predict().

Cet exercice fait partie du cours

Introduction à la modélisation linéaire en Python

Afficher le cours

Instructions

  • Calculez les valeurs y_model avec model_fit_and_predict(x_data, y_data).
  • Calculez les residuals comme la différence entre y_model et y_data.
  • Utilisez np.sum() et np.square() pour calculer le RSS, puis divisez par len(residuals) pour obtenir le MSE.
  • Prenez la racine carrée np.sqrt() de MSE pour obtenir le RMSE, et affichez tous les résultats.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Build the model and compute the residuals "model - data"
y_model = model_fit_and_predict(x_data, y_data)
residuals = ____ - ____

# Compute the RSS, MSE, and RMSE and print the results
RSS = np.____(np.____(residuals))
MSE = ____/len(residuals)
RMSE = np.____(____)
print('RMSE = {:0.2f}, MSE = {:0.2f}, RSS = {:0.2f}'.format(RMSE, MSE, RSS))
Modifier et exécuter le code