始める無料で始める

最適なランダムフォレストを評価する

このコース最後の演習では、grid_rf の最適モデルについて、テストセットの RMSE を評価します。

データセットはすでに読み込み・前処理済みで、学習用 80%・テスト用 20% に分割されています。環境には X_test、y_test、そして sklearn.metrics からエイリアス MSE で読み込まれた関数 mean_squared_error が用意されています。さらに、前の演習で作成した学習済みの GridSearchCV オブジェクト grid_rf も読み込まれています。なお、grid_rf は次のように学習されています。

grid_rf.fit(X_train, y_train)

この演習はコースの一部です

Pythonで学ぶ木ベースのMachine Learning

コースを見る

演習の手順

  • sklearn.metrics から mean_squared_error を MSE としてインポートします。

  • grid_rf から最良の推定器を取り出し、best_model に代入します。

  • best_model でテストセットのラベルを予測し、結果を y_pred に代入します。

  • テストセットにおける best_model の RMSE を計算します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Import mean_squared_error from sklearn.metrics as MSE 
____

# Extract the best estimator
best_model = ____

# Predict test set labels
y_pred = ____

# Compute rmse_test
rmse_test = ____

# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))
コードを編集して実行