Zacznij terazZacznij za darmo

Wizualizacja wydajności modeli regresji

Wiesz już, jak oceniać wiele modeli od razu – teraz zbudujesz trzy modele regresji do przewidywania poziomu "energy" utworu muzycznego.

W zbiorze danych music_df dodano już zmienne dummy dla cechy "genre". Przygotowano również tablice cech i wartości docelowych, które podzielono na X_train, X_test, y_train i y_test.

Następujące elementy zostały zaimportowane: LinearRegression, Ridge, Lasso, cross_val_score oraz KFold.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Zobacz kurs

Instrukcje do ćwiczenia

  • Napisz pętlę for, używając model jako iteratora i model.values() jako iterowalnego obiektu.
  • Przeprowadź kroswalidację na treningowych cechach i treningowej tablicy wartości docelowych, używając modelu i ustawiając cv równe obiektowi KFold.
  • Dołącz wyniki kroswalidacji modelu do listy results.
  • Utwórz wykres pudełkowy wyświetlający wyniki, z nazwami modeli jako etykietami na osi x.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Edytuj i uruchom kod