Aan de slagBegin gratis

RMSE stap voor stap

In deze oefening kwantificeer je de algehele "goodness-of-fit" van een vooraf opgebouwd model door stap voor stap de RMSE te berekenen, een van de meest gebruikte kwantitatieve maten voor modelkwaliteit.

Begin met de vooraf ingeladen gegevens x_data en y_data, en gebruik ze met de vooraf gedefinieerde modelfunctie model_fit_and_predict().

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Bereken y_model-waarden met model_fit_and_predict(x_data, y_data).
  • Bereken de residuals als het verschil tussen y_model en y_data.
  • Gebruik np.sum() en np.square() om RSS te berekenen, en deel door len(residuals) om MSE te krijgen.
  • Neem de np.sqrt() van MSE om RMSE te krijgen, en print alle resultaten.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Build the model and compute the residuals "model - data"
y_model = model_fit_and_predict(x_data, y_data)
residuals = ____ - ____

# Compute the RSS, MSE, and RMSE and print the results
RSS = np.____(np.____(residuals))
MSE = ____/len(residuals)
RMSE = np.____(____)
print('RMSE = {:0.2f}, MSE = {:0.2f}, RSS = {:0.2f}'.format(RMSE, MSE, RSS))
Code bewerken en uitvoeren