Mean absolute error
मॉडलिंग के नतीजे समझाना मुश्किल हो सकता है. लेकिन ज़्यादातर क्लाइंट यह बात समझते हैं कि औसतन एक predictive मॉडल कुछ संख्या से गलत हो सकता है. इसी कारण mean absolute error समझाना आसान होता है. उदाहरण के लिए, किसी बास्केटबॉल टीम के जीतों की संख्या का अनुमान लगाते समय, अगर आप 42 का अनुमान लगाएँ और वे अंत में 40 पर रुकें, तो आप आसानी से समझा सकते हैं कि गलती दो जीत की थी.
इस अभ्यास में, आप एक नई पोज़िशन के लिए इंटरव्यू दे रहे हैं और आपको दो arrays दिए गए हैं. y_test, जिसमें 2017 के सभी 30 NBA टीमों की असली जीतों की संख्या है, और predictions, जिसमें हर टीम के लिए एक अनुमान है. अपनी समझ जाँचने के लिए, आपसे कहा गया है कि आप MAE को मैन्युअल रूप से भी निकालें और sklearn का उपयोग करके भी.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Model Validation
अभ्यास निर्देश
nको predicted observations की संख्या मानकर MAE को मैन्युअल रूप से निकालें.sklearnका उपयोग करके MAE निकालें.- दोनों accuracy values को दिए गए print statements से प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
from sklearn.metrics import mean_absolute_error
# Manually calculate the MAE
n = ____(predictions)
mae_one = sum(____(y_test - predictions)) / n
print('With a manual calculation, the error is {}'.format(____))
# Use scikit-learn to calculate the MAE
mae_two = ____(____, ____)
print('Using scikit-learn, the error is {}'.format(____))