Măsoară calitatea modelului
Acum vei măsura performanța regresiei atât pe datele de antrenament, cât și pe cele de testare, folosind două metrici: rădăcina erorii pătratice medii și eroarea absolută medie. Acesta este un pas esențial în care verifici cât de „aproape" sunt predicțiile modelului față de valorile reale.
Biblioteca numpy a fost importată ca np. Funcțiile mean_absolute_error și mean_squared_error au fost importate. Variabilele țintă pentru antrenament și testare sunt disponibile ca train_Y și test_Y, iar valorile prezise pentru antrenament și testare sunt importate ca train_pred_Y și, respectiv, test_pred_Y.
Acest exercițiu face parte din cursul
Machine Learning pentru Marketing în Python
Instrucțiuni pentru exercițiu
- Calculează rădăcina erorii pătratice medii pe datele de antrenament folosind funcția
np.sqrt(). - Calculează eroarea absolută medie pe datele de antrenament.
- Calculează rădăcina erorii pătratice medii pe datele de testare.
- Calculează eroarea absolută medie pe datele de testare.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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))