Wyniki modelu Lasso
Po wytrenowaniu modelu Lasso sprawdź jego zdolności predykcyjne (\(R^2\)) na zbiorze testowym i policz, ile cech jest pomijanych, ponieważ ich współczynnik został zredukowany do zera.
Zbiory X_test i y_test zostały już wczytane.
Model Lasso() i StandardScaler() zostały zainicjalizowane odpowiednio jako la i scaler – oba zostały dopasowane do danych treningowych.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w Pythonie
Instrukcje do ćwiczenia
- Przekształć zbiór testowy za pomocą wcześniej dopasowanego skalera.
- Oblicz wartość \(R^2\) na przeskalowanych danych testowych.
- Utwórz listę zawierającą wartości True wszędzie tam, gdzie współczynniki są równe 0.
- Oblicz łączną liczbę cech, których współczynnik wynosi 0.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Transform the test set with the pre-fitted scaler
X_test_std = scaler.____
# Calculate the coefficient of determination (R squared) on X_test_std
r_squared = la.____(____, ____)
print(f"The model can predict {r_squared:.1%} of the variance in the test set.")
# Create a list that has True values when coefficients equal 0
zero_coef = la.____ == ____
# Calculate how many features have a zero coefficient
n_ignored = sum(____)
print(f"The model has ignored {n_ignored} out of {len(la.coef_)} features.")