CommencerCommencer gratuitement

Prédiction sur l’ensemble de test

Dans le dernier exercice, la régression linéaire et de crête semblent produire des résultats similaires. Il serait approprié de sélectionner l’un ou l’autre de ces modèles. Cependant, vous pouvez vérifier la performance prédictive sur l’ensemble de test pour voir si l’un peut être plus performant que l’autre.

Vous utiliserez la racine de l’erreur quadratique moyenne (le RMSE) comme métrique. Le dictionnaire models, qui contient les noms et les instances des deux modèles, a été préchargé pour vous, ainsi que les tableaux d’apprentissage et de cible X_train_scaled, X_test_scaled, y_train et y_test.

Cet exercice fait partie du cours

Apprentissage supervisé avec scikit-learn

Afficher le cours

Instructions

  • Importez root_mean_squared_error.
  • Ajustez le modèle aux caractéristiques d’apprentissage mises à l’échelle et aux étiquettes d’apprentissage.
  • Faites des prédictions en utilisant les caractéristiques de test mises à l’échelle.
  • Calculez le RMSE en passant les étiquettes de l’ensemble de test et les étiquettes prédites.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import root_mean_squared_error
from ____.____ import ____

for name, model in models.items():
  # Fit the model to the training data
  ____
  
  # Make predictions on the test set
  y_pred = ____
  
  # Calculate the test_rmse
  test_rmse = ____(____, ____)
  print("{} Test Set RMSE: {}".format(name, test_rmse))
Modifier et exécuter le code