Mulai sekarangMulai gratis

Memvisualisasikan kinerja model regresi

Sekarang setelah Anda melihat cara mengevaluasi beberapa model langsung pakai, Anda akan membangun tiga model regresi untuk memprediksi tingkat "energy" sebuah lagu.

Himpunan data music_df telah ditambahkan variabel dummy untuk "genre". Selain itu, array fitur dan target telah dibuat, dan telah dipecah menjadi X_train, X_test, y_train, dan y_test.

Hal berikut telah diimpor untuk Anda: LinearRegression, Ridge, Lasso, cross_val_score, dan KFold.

Latihan ini merupakan bagian dari kursus

Supervised Learning dengan scikit-learn

Lihat Kursus

Instruksi latihan

  • Tulis sebuah for loop dengan model sebagai iterator, dan model.values() sebagai iterable.
  • Lakukan cross-validation pada fitur pelatihan dan array target pelatihan menggunakan model tersebut, dengan menyetel cv sama dengan objek KFold.
  • Tambahkan skor cross-validation model ke dalam daftar results.
  • Buat box plot yang menampilkan hasilnya, dengan label sumbu-x berupa nama-nama model.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Edit dan Jalankan Kode