Zacznij terazZacznij za darmo

Oceń błąd treningowy

Teraz ocenisz wartość RMSE na zbiorze treningowym, osiągniętą przez drzewo regresji dt, które zostało zainicjalizowane w poprzednim ćwiczeniu.

Oprócz dt w twoim środowisku dostępne są również X_train i y_train.

Zauważ, że w scikit-learn MSE modelu można obliczyć w następujący sposób:

MSE_model = mean_squared_error(y_true, y_predicted)

gdzie korzystamy z funkcji mean_squared_error z modułu metrics, przekazując jej prawdziwe etykiety y_true jako pierwszy argument i etykiety przewidywane przez model y_predicted jako drugi argument.

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.
  • Dopasuj dt do zbioru treningowego.
  • Przewidź etykiety zbioru treningowego za pomocą dt i przypisz wynik do y_pred_train.
  • Oblicz wartość RMSE dt na zbiorze treningowym i przypisz ją do RMSE_train.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))
Edytuj i uruchom kod