CommencerCommencer gratuitement

Évaluer l'erreur de formation

Vous allez maintenant évaluer la RMSE de l'ensemble d'entraînement obtenue par l'arbre de régression dt que vous avez instanciée dans un exercice précédent.

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

Notez que dans scikit-learn, la 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 vraies 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

  • Importez mean_squared_error en tant que MSE depuis sklearn.metrics.
  • Ajustez dt à l'ensemble d'apprentissage.
  • Veuillez prédire les étiquettes de l'ensemble d'entraînement de dt et attribuer le résultat à y_pred_train.
  • Évaluez la RMSE de l'ensemble d'entraînement dt et attribuez-la 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