CommencerCommencer gratuitement

Régression linéaire et arbre de régression

Dans cet exercice, vous allez comparer l'erreur quadratique moyenne (RMSE) de l'ensemble de test d' dt s à celle obtenue par un modèle de régression linéaire. Nous avons déjà instancié un modèle de régression linéaire lr et l'avons entraîné sur le même ensemble de données que dt.

La matrice des caractéristiques X_test, le tableau des étiquettes y_test, le modèle de régression linéaire entraîné lr, la fonction mean_squared_error qui a été importée sous l'alias MSE et rmse_dt de 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 prédire les étiquettes de l'ensemble de test à l'aide du modèle de régression linéaire (lr) et attribuer le résultat à y_pred_lr.

  • Calculez l'erreur quadratique moyenne (MSE) de l'ensemble de test et attribuez le résultat à mse_lr.

  • Veuillez calculer l'erreur quadratique moyenne (RMSE) de l'ensemble de test et attribuer le résultat à rmse_lr.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Predict test set labels 
____ = ____.____(____)

# Compute mse_lr
____ = ____(____, ____)

# Compute rmse_lr
____ = ____

# Print rmse_lr
print('Linear Regression test set RMSE: {:.2f}'.format(rmse_lr))

# Print rmse_dt
print('Regression Tree test set RMSE: {:.2f}'.format(rmse_dt))
Modifier et exécuter le code