Model fit meten
Nu ga je de regressieprestatie op zowel de trainings- als testgegevens meten met twee statistieken: root mean squared error en mean absolute error. Dit is een cruciale stap waarin je meet hoe “dichtbij” de modelvoorspellingen bij de werkelijke waarden liggen.
De bibliotheek numpy is geladen als np. De functies mean_absolute_error en mean_squared_error zijn geladen. De doelvariabelen voor trainen en testen zijn geladen als train_Y en test_Y, en de voorspelde waarden voor trainen en testen zijn respectievelijk geïmporteerd als train_pred_Y en test_pred_Y.
Deze oefening maakt deel uit van de cursus
Machine Learning voor marketing in Python
Oefeninstructies
- Bereken de root mean squared error op de trainingsgegevens met de functie
np.sqrt(). - Bereken de mean absolute error op de trainingsgegevens.
- Bereken de root mean squared error op de testgegevens.
- Bereken de mean absolute error op de testgegevens.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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))