Zacznij terazZacznij za darmo

Ocena drzewa regresji

W tym ćwiczeniu ocenisz wydajność modelu dt na zbiorze testowym, korzystając z metryki RMSE (pierwiastek błędu średniokwadratowego). RMSE mierzy, o ile średnio przewidywania modelu różnią się od rzeczywistych etykiet. Oblicza się go jako pierwiastek kwadratowy z błędu średniokwadratowego (MSE).

Macierz cech X_test, tablica y_test oraz regresor drzewa decyzyjnego dt, który był trenowany w poprzednim ćwiczeniu, są dostępne w twoim środowisku pracy.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj funkcję mean_squared_error jako MSE z biblioteki sklearn.metrics.
  • Przewidź etykiety zbioru testowego i przypisz wynik do zmiennej y_pred.
  • Oblicz MSE na zbiorze testowym, wywołując funkcję MSE, i przypisz wynik do zmiennej mse_dt.
  • Oblicz RMSE na zbiorze testowym i przypisz wynik do zmiennej rmse_dt.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____

# Compute y_pred
____ = ____.____(____)

# Compute mse_dt
____ = ____(____, ____)

# Compute rmse_dt
____ = ____

# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))
Edytuj i uruchom kod