CommencerCommencer gratuitement

Évaluer l'erreur d'apprentissage

Vous allez maintenant évaluer l'ensemble d'apprentissage RMSE obtenu par l'arbre de régression dt que vous avez instancié 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, le MSE d'un modèle peut être calculé 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 vraies étiquettes y_true comme premier argument, et les étiquettes prédites par le modèle y_predicted comme second argument.

Cet exercice fait partie du cours

Apprentissage automatique avec des modèles arborescents en Python

Afficher le cours

Instructions

  • Importez mean_squared_error en tant que MSE à partir de sklearn.metrics.
  • Ajustez dt à l'ensemble de formation.
  • Prédire les étiquettes de l'ensemble d'apprentissage de dt et attribuer le résultat à y_pred_train.
  • Évaluez l'ensemble d'apprentissage de dt RMSE et affectez-le 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