Évaluer l'arbre de régression
Dans cet exercice, vous évaluerez les performances de l'ensemble de test de dt en utilisant la métrique de l'erreur quadratique moyenne (RMSE). Le site RMSE d'un modèle mesure, en moyenne, l'écart entre les prédictions du modèle et les étiquettes réelles. Le site RMSE d'un modèle peut être obtenu en calculant la racine carrée de l'erreur quadratique moyenne du modèle (MSE).
La matrice des caractéristiques X_test, le tableau y_test, ainsi que le régresseur de l'arbre de décision dt que vous avez formé dans l'exercice précédent sont disponibles dans votre espace de travail.
Cet exercice fait partie du cours
Apprentissage automatique avec des modèles arborescents en Python
Instructions
- Importez la fonction
mean_squared_erroren tant queMSEà partir desklearn.metrics. - Prédire les étiquettes de l'ensemble de test et attribuer la sortie à
y_pred. - Calculez l'ensemble de test MSE en appelant
MSEet affectez le résultat àmse_dt. - Calculez l'ensemble de test RMSE et affectez-le à
rmse_dt.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____
# Compute y_pred
____ = ____.____(____)
# Compute mse_dt
____ = ____(____, ____)
# Compute rmse_dt
____ = ____
# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))