IniziaInizia gratis

Visualizzazione delle prestazioni del modello di regressione

Ora che hai visto come valutare più modelli, costruirai tre modelli di regressione per prevedere i livelli di "energy" di una canzone.

Al dataset music_df sono state aggiunte le variabili dummy per "genre". Inoltre, sono stati creati degli array di caratteristiche e di obiettivi, suddivisi in X_train, X_test, y_train e y_test.

Sono stati importati per te i seguenti siti: LinearRegression, Ridge, Lasso, cross_val_score, e KFold.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza il corso

Istruzioni dell'esercizio

  • Scrivi un ciclo for utilizzando model come iteratore e model.values() come iterabile.
  • Esegui una convalida incrociata sulle caratteristiche di addestramento e sull'array di target di addestramento utilizzando il modello, impostando cv come l'oggetto KFold.
  • Aggiungi i punteggi della convalida incrociata del modello all'elenco dei risultati.
  • Crea un box plot che mostri i risultati, con le etichette dell'asse x come nomi dei modelli.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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()
Modifica ed esegui il codice