Valuta l'adattamento del modello
Ora valuterai le prestazioni della regressione sia sui dati di training sia su quelli di testing con due metriche: root mean squared error e mean absolute error. È un passaggio fondamentale in cui misuri quanto le previsioni del modello siano "vicine" ai valori reali.
La libreria numpy è stata importata come np. Le funzioni mean_absolute_error e mean_squared_error sono già caricate. Le variabili target di training e di testing sono caricate come train_Y e test_Y, e i valori previsti per training e testing sono importati rispettivamente come train_pred_Y e test_pred_Y.
Questo esercizio fa parte del corso
Machine Learning per il marketing con Python
Istruzioni dell'esercizio
- Calcola il root mean squared error sui dati di training usando la funzione
np.sqrt(). - Calcola il mean absolute error sui dati di training.
- Calcola il root mean squared error sui dati di testing.
- Calcola il mean absolute error sui dati di testing.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))
# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)
# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))
# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)
# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))