Оценка качества модели
Теперь вы оцените качество регрессии на обучающих и тестовых данных с помощью двух метрик — корня из среднеквадратичной ошибки и средней абсолютной ошибки. Это важный шаг, позволяющий измерить, насколько предсказания модели близки к реальным значениям.
Библиотека numpy загружена как np. Функции mean_absolute_error и mean_squared_error уже импортированы. Целевые переменные обучающей и тестовой выборок загружены как train_Y и test_Y, а предсказанные значения для обучающей и тестовой выборок — как train_pred_Y и test_pred_Y соответственно.
Это упражнение является частью курса
Машинное обучение для маркетинга на Python
Инструкции к упражнению
- Вычислите корень из среднеквадратичной ошибки на обучающих данных с помощью функции
np.sqrt(). - Вычислите среднюю абсолютную ошибку на обучающих данных.
- Вычислите корень из среднеквадратичной ошибки на тестовых данных.
- Вычислите среднюю абсолютную ошибку на тестовых данных.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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))