Zacznij terazZacznij za darmo

Ocena optymalnego lasu

W tym ostatnim ćwiczeniu kursu ocenisz RMSE zbioru testowego dla optymalnego modelu z grid_rf.

Zbiór danych jest już wczytany i przetworzony – podzielony na 80% danych treningowych i 20% testowych. W środowisku dostępne są X_test, y_test oraz funkcja mean_squared_error z sklearn.metrics pod aliasem MSE. Wczytany jest również wytrenowany obiekt GridSearchCV o nazwie grid_rf, który był tworzony w poprzednim ćwiczeniu. Zwróć uwagę, że grid_rf był trenowany w następujący sposób:

grid_rf.fit(X_train, y_train)

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj mean_squared_error jako MSE z sklearn.metrics.

  • Wyodrębnij najlepszy estymator z grid_rf i przypisz go do zmiennej best_model.

  • Wygeneruj predykcje dla zbioru testowego za pomocą best_model i przypisz wynik do y_pred.

  • Oblicz RMSE best_model na zbiorze testowym.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import mean_squared_error from sklearn.metrics as MSE 
____

# Extract the best estimator
best_model = ____

# Predict test set labels
y_pred = ____

# Compute rmse_test
rmse_test = ____

# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))
Edytuj i uruchom kod