Avaliar o ajuste do modelo
Agora você vai avaliar o desempenho da regressão nos dados de treino e de teste com duas métricas — raiz do erro quadrático médio e erro absoluto médio. Esta é uma etapa crucial em que você mede quão “próximas” as previsões do modelo estão dos valores reais.
A biblioteca numpy foi carregada como np. As funções mean_absolute_error e mean_squared_error foram carregadas. As variáveis alvo de treino e teste foram carregadas como train_Y e test_Y, e os valores previstos de treino e teste foram importados como train_pred_Y e test_pred_Y, respectivamente.
Este exercício faz parte do curso
Machine Learning para Marketing em Python
Instruções do exercício
- Calcule a raiz do erro quadrático médio nos dados de treino usando a função
np.sqrt(). - Calcule o erro absoluto médio nos dados de treino.
- Calcule a raiz do erro quadrático médio nos dados de teste.
- Calcule o erro absoluto médio nos dados de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))
# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)
# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))
# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)
# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))