Zacznij terazZacznij za darmo

Wydajność na danych treningowych

Wiedza o tym, czy twój model regresji jest użyteczny, ma kluczowe znaczenie. Dobry model powinien dobrze odwzorowywać strukturę zbioru treningowego. Jednym ze sposobów oceny tej wydajności na danych treningowych jest prognozowanie na zbiorze treningowym i obliczenie średniego błędu bezwzględnego dla wszystkich punktów danych.

W tym ćwiczeniu ocenisz swoje prognozy na danych treningowych za pomocą MAE (średniego błędu bezwzględnego). MAE mówi ci, jak daleko średnio prognozy odbiegają od wartości rzeczywistych.

Oblicza się go według poniższego wzoru, gdzie \(n\) to liczba wykonanych prognoz:

$$MAE = \frac{1}{n} \cdot \sum_{i=1}^n \text{wartość bezwzględna }i\text{-tego błędu}$$

W twoim środowisku dostępny jest model – drzewo regresji zbudowane w poprzednich ćwiczeniach.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz in_sample_predictions, używając model do prognozowania na zbiorze danych chocolate_train.
  • Oblicz wektor abs_diffs zawierający bezwzględne różnice między prognozami na danych treningowych a rzeczywistymi ocenami.
  • Oblicz średni błąd bezwzględny zgodnie z powyższym wzorem.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Predict using the training set
in_sample_predictions <- predict(model,
                                 ___)

# Calculate the vector of absolute differences
abs_diffs <- ___(__$___ - ___$___)

# Calculate the mean absolute error
1 / ___ * ___
Edytuj i uruchom kod