Évaluer la forêt optimale
Dans ce dernier exercice du cours, vous évaluerez l'ensemble de test RMSE du modèle optimal de grid_rf.
L'ensemble de données est déjà chargé et traité pour vous et est divisé en 80 % de formation et 20 % de test. Dans votre environnement sont disponibles X_test, y_test et la fonction mean_squared_error de sklearn.metrics sous l'alias MSE. En outre, nous avons également chargé l'objet GridSearchCV formé grid_rf que vous avez instancié dans l'exercice précédent. Notez que grid_rf a été formé comme suit :
grid_rf.fit(X_train, y_train)
Cet exercice fait partie du cours
Apprentissage automatique avec des modèles arborescents en Python
Instructions
Importez
mean_squared_erroren tant queMSEà partir desklearn.metrics.Extrayez le meilleur estimateur de
grid_rfet affectez-le àbest_model.Prédire les étiquettes de l'ensemble de test de
best_modelet attribuer le résultat ày_pred.Calculez l'ensemble de test de
best_modelRMSE .
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import mean_squared_error from sklearn.metrics as MSE
____
# Extract the best estimator
best_model = ____
# Predict test set labels
y_pred = ____
# Compute rmse_test
rmse_test = ____
# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))