श्रेणीबद्ध फीचरों के साथ रिग्रेशन
अब जब आपने music_dummies बना लिया है, जिसमें हर गाने के जॉनर के लिए बायनरी फीचर हैं, तो गाने की लोकप्रियता का अनुमान लगाने के लिए एक रीज रिग्रेशन मॉडल बनाने का समय है.
आपके लिए music_dummies पहले से लोड है, साथ ही Ridge, cross_val_score, numpy as np, और kf नाम से एक KFold ऑब्जेक्ट भी उपलब्ध है.
मॉडल का आकलन औसत RMSE निकालकर किया जाएगा। लेकिन पहले, आपको हर फोल्ड के स्कोर को पॉजिटिव में बदलना होगा और उनका स्क्वेयर रूट लेना होगा। यह मेट्रिक हमारे मॉडल की भविष्यवाणियों की औसत त्रुटि को दिखाती है, इसलिए इसे टारगेट वैल्यू—"popularity"—के स्टैंडर्ड डिविएशन से तुलना किया जा सकता है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
scikit-learn के साथ Supervised Learning
अभ्यास निर्देश
music_dummiesके सभी फीचर लेकरXबनाएँ, और"popularity"कॉलम को लेकरyबनाएँ.alphaको 0.2 सेट करते हुए एक रीज रिग्रेशन मॉडल इनस्टैंशिएट करें.- रीज मॉडल का उपयोग करते हुए
Xऔरyपर क्रॉस-वैलिडेशन चलाएँ, जहाँcvकोkfरखें, और स्कोरिंग मेट्रिक के रूप में negative mean squared error का उपयोग करें. - नकारात्मक
scoresको पॉजिटिव में बदलकर और उनका स्क्वेयर रूट लेकर RMSE वैल्यूज़ प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Create X and y
X = ____
y = ____
# Instantiate a ridge model
ridge = ____
# Perform cross-validation
scores = ____(____, ____, ____, cv=____, scoring="____")
# Calculate RMSE
rmse = np.____(____)
print("Average RMSE: {}".format(np.mean(rmse)))
print("Standard Deviation of the target array: {}".format(np.std(y)))