Avaliar a floresta ideal
Neste último exercício do curso, você avaliará o conjunto de testes RMSE do modelo ideal de grid_rf.
O conjunto de dados já foi carregado e processado para você e está dividido em 80% de treinamento e 20% de teste. Em seu ambiente, estão disponíveis X_test, y_test e a função mean_squared_error de sklearn.metrics sob o alias MSE. Além disso, também carregamos o objeto GridSearchCV treinado grid_rf que você instanciou no exercício anterior. Observe que grid_rf foi treinado da seguinte forma:
grid_rf.fit(X_train, y_train)
Este exercício faz parte do curso
Aprendizado de máquina com modelos baseados em árvores em Python
Instruções do exercício
Importe
mean_squared_errorcomoMSEdesklearn.metrics.Extraia o melhor estimador de
grid_rfe atribua-o abest_model.Preveja os rótulos do conjunto de teste de
best_modele atribua o resultado ay_pred.Calcule o conjunto de teste de
best_modelRMSE .
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Import mean_squared_error from sklearn.metrics as MSE
____
# Extract the best estimator
best_model = ____
# Predict test set labels
y_pred = ____
# Compute rmse_test
rmse_test = ____
# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))