CommencerCommencer gratuitement

Évaluer l'arbre de régression

Dans cet exercice, vous évaluerez les performances de l'ensemble de test d'dt s à l'aide de la métrique RMSE (Root Mean Squared Error, erreur quadratique moyenne). L'erreur quadratique moyenne (RMSE) d'un modèle mesure, en moyenne, l'écart entre les prédictions du modèle et les étiquettes réelles. L'erreur quadratique moyenne (RMSE) d'un modèle peut être obtenue en calculant la racine carrée de l'erreur quadratique moyenne (MSE) du modèle.

La matrice des caractéristiques X_test, le tableau y_test, ainsi que le régresseur d'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

Machine learning avec des modèles arborescents en Python

Afficher le cours

Instructions

  • Veuillez importer la fonction mean_squared_error en tant que MSE à partir de sklearn.metrics.
  • Veuillez prédire les étiquettes de l'ensemble de test et attribuer le résultat à y_pred.
  • Veuillez calculer l'erreur quadratique moyenne (MSE) de l'ensemble de test en appelant la fonction ` MSE et attribuer le résultat à la variable mse_dt`.
  • Calculez la RMSE de l'ensemble de test et attribuez-la 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))
Modifier et exécuter le code