ComeçarComece de graça

Desempenho in-sample

É muito importante saber se seu modelo de regressão é útil ou não. Um modelo útil pode ser aquele que captura bem a estrutura do seu conjunto de treinamento. Uma forma de avaliar esse desempenho in-sample é prever nos dados de treinamento e calcular o erro absoluto médio de todos os pontos previstos.

Neste exercício, você vai avaliar suas previsões in-sample usando MAE (mean absolute error, ou erro absoluto médio). O MAE indica aproximadamente quão distante as previsões estão dos valores verdadeiros.

Ele é calculado usando a fórmula a seguir, em que \(n\) é o número de previsões feitas:

$$MAE = \frac{1}{n} \cdot \sum_{i=1}^n \text{absolute value of the }i\text{th error}$$

Está disponível no seu ambiente o seu model, a árvore de regressão que você construiu nos exercícios anteriores.

Este exercício faz parte do curso

Machine Learning com modelos baseados em árvores em R

Ver curso

Instruções do exercício

  • Crie in_sample_predictions usando model para prever no tibble chocolate_train.
  • Calcule um vetor abs_diffs que contenha as diferenças absolutas entre as previsões in-sample e as notas verdadeiras.
  • Calcule o erro absoluto médio de acordo com a fórmula acima.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Predict using the training set
in_sample_predictions <- predict(model,
                                 ___)

# Calculate the vector of absolute differences
abs_diffs <- ___(__$___ - ___$___)

# Calculate the mean absolute error
1 / ___ * ___
Editar e executar o código