CommencerCommencer gratuitement

Veuillez évaluer l'erreur de formation.

Vous allez maintenant évaluer l'erreur quadratique moyenne (RMSE) de l'ensemble d'apprentissage obtenu par l' dt e d'arbre de régression que vous avez instanciée dans un exercice précédent.

En plus de dt, les sites X_train et y_train sont disponibles dans votre espace de travail.

Veuillez noter que dans scikit-learn, l'erreur quadratique moyenne (MSE) d'un modèle peut être calculée comme suit :

MSE_model = mean_squared_error(y_true, y_predicted)

où nous utilisons la fonction mean_squared_error du module metrics et lui transmettons les étiquettes réelles y_true comme premier argument, et les étiquettes prédites par le modèle y_predicted comme deuxième argument.

Cet exercice fait partie du cours

Machine learning avec des modèles arborescents en Python

Afficher le cours

Instructions

  • Veuillez importer mean_squared_error en tant que MSE depuis sklearn.metrics.
  • Ajustez l'dt e à l'ensemble d'apprentissage.
  • Veuillez prédire les étiquettes de l'ensemble d'entraînement de dt et attribuer le résultat à y_pred_train.
  • Veuillez évaluer l'erreur quadratique moyenne (RMSE) de l'ensemble d'apprentissage d' dt et l'attribuer à RMSE_train.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))
Modifier et exécuter le code