Zacznij terazZacznij za darmo

Dane widziane i niewidziane

Modele zazwyczaj osiągają wyższą dokładność na obserwacjach, które już „widziały". W zbiorze danych o słodyczach predykcja popularności Skittlesów będzie prawdopodobnie dokładniejsza niż predykcja popularności Andes Mints – Skittles znajduje się w zbiorze danych, a Andes Mints nie.

Zbudowano model na podstawie 50 słodyczy, korzystając ze zbioru X_train. Twoim zadaniem jest sprawdzenie, jak dokładny jest ten model przy przewidywaniu popularności 50 słodyczy, na których był trenowany, oraz 35 słodyczy (X_test), których nigdy wcześniej nie widział. Jako miarę dokładności wykorzystasz średni błąd bezwzględny, mae().

To ćwiczenie jest częścią kursu

Walidacja modeli w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Używając X_train i X_test jako danych wejściowych, utwórz tablice predykcji za pomocą model.predict().
  • Oblicz dokładność modelu zarówno na danych, które model już widział, jak i na danych, których jeszcze nie widział.
  • Użyj instrukcji print, aby wyświetlić wyniki dla danych widzianych i niewidzianych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# The model is fit using X_train and y_train
model.fit(X_train, y_train)

# Create vectors of predictions
train_predictions = model.predict(____)
test_predictions = model.predict(____)

# Train/Test Errors
train_error = mae(y_true=y_train, y_pred=____)
test_error = mae(y_true=y_test, y_pred=____)

# Print the accuracy for seen and unseen data
print("Model error on seen data: {0:.2f}.".format(____))
print("Model error on unseen data: {0:.2f}.".format(____))
Edytuj i uruchom kod