Zacznij terazZacznij za darmo

Regresja z cechami kategorycznymi

Masz już gotowy zbiór music_dummies z binarnymi cechami dla każdego gatunku muzycznego – czas zbudować model regresji grzbietowej (ridge regression) do przewidywania popularności piosenek.

Zbiór music_dummies został wstępnie załadowany razem z Ridge, cross_val_score, numpy jako np oraz obiektem KFold zapisanym jako kf.

Model zostanie oceniony na podstawie średniego RMSE. Najpierw musisz przekształcić wyniki dla każdego podziału na wartości dodatnie i wyciągnąć z nich pierwiastek kwadratowy. Ta metryka pokazuje średni błąd prognoz modelu, dzięki czemu można ją porównać z odchyleniem standardowym zmiennej docelowej—"popularity".

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz X zawierające wszystkie cechy ze zbioru music_dummies oraz y odpowiadające kolumnie "popularity".
  • Zainicjuj model regresji grzbietowej, ustawiając alpha na 0.2.
  • Przeprowadź walidację krzyżową na X i y z użyciem modelu ridge, ustawiając cv na kf i stosując ujemny błąd średniokwadratowy jako metrykę oceny.
  • Wyświetl wartości RMSE, zamieniając ujemne scores na dodatnie i wyciągając z nich pierwiastek kwadratowy.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create X and y
X = ____
y = ____

# Instantiate a ridge model
ridge = ____

# Perform cross-validation
scores = ____(____, ____, ____, cv=____, scoring="____")

# Calculate RMSE
rmse = np.____(____)
print("Average RMSE: {}".format(np.mean(rmse)))
print("Standard Deviation of the target array: {}".format(np.std(y)))
Edytuj i uruchom kod