Prognozowanie na zbiorze testowym
W poprzednim ćwiczeniu regresja liniowa i grzbietowa dały podobne wyniki. Wybór któregokolwiek z tych modeli byłby uzasadniony – możesz jednak sprawdzić skuteczność predykcji na zbiorze testowym, żeby zobaczyć, czy któryś z nich wypada lepiej.
Jako metrykę wykorzystasz pierwiastek błędu średniokwadratowego (RMSE). Słownik models, zawierający nazwy i instancje obu modeli, został wstępnie wczytany wraz z tablicami cech i etykiet: X_train_scaled, X_test_scaled, y_train oraz y_test.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe z scikit-learn
Instrukcje do ćwiczenia
- Zaimportuj
root_mean_squared_error. - Dopasuj model do przeskalowanych cech treningowych i etykiet treningowych.
- Wykonaj predykcje na podstawie przeskalowanych cech testowych.
- Oblicz RMSE, przekazując etykiety zbioru testowego oraz przewidywane etykiety.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import root_mean_squared_error
from ____.____ import ____
for name, model in models.items():
# Fit the model to the training data
____
# Make predictions on the test set
y_pred = ____
# Calculate the test_rmse
test_rmse = ____(____, ____)
print("{} Test Set RMSE: {}".format(name, test_rmse))