Ocena dopasowania modelu
Teraz zmierzysz jakość regresji zarówno na danych treningowych, jak i testowych – za pomocą dwóch metryk: pierwiastka błędu średniokwadratowego oraz średniego błędu bezwzględnego. To kluczowy krok, w którym sprawdzasz, jak bardzo przewidywania modelu odbiegają od wartości rzeczywistych.
Biblioteka numpy została wczytana jako np. Dostępne są również funkcje mean_absolute_error oraz mean_squared_error. Zmienne docelowe dla zbiorów treningowego i testowego są wczytane jako train_Y i test_Y, a przewidywane wartości dla obu zbiorów – jako train_pred_Y i test_pred_Y.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Oblicz pierwiastek błędu średniokwadratowego na danych treningowych, używając funkcji
np.sqrt(). - Oblicz średni błąd bezwzględny na danych treningowych.
- Oblicz pierwiastek błędu średniokwadratowego na danych testowych.
- Oblicz średni błąd bezwzględny na danych testowych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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))