НачатьНачать бесплатно

Оценка дерева регрессии

В этом упражнении вы оцените качество модели dt на тестовой выборке, используя метрику среднеквадратичной ошибки (RMSE). RMSE показывает, насколько в среднем предсказания модели отличаются от фактических значений. Чтобы получить RMSE, нужно извлечь квадратный корень из среднеквадратичной ошибки (MSE).

Матрица признаков X_test, массив y_test, а также регрессор на основе дерева решений dt, обученный в предыдущем упражнении, доступны в вашем рабочем пространстве.

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте функцию mean_squared_error под именем MSE из sklearn.metrics.
  • Получите предсказания для тестовой выборки и сохраните результат в переменную y_pred.
  • Вычислите MSE на тестовой выборке с помощью функции MSE и сохраните результат в переменную mse_dt.
  • Вычислите RMSE на тестовой выборке и сохраните результат в переменную rmse_dt.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____

# Compute y_pred
____ = ____.____(____)

# Compute mse_dt
____ = ____(____, ____)

# Compute rmse_dt
____ = ____

# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))
Редактировать и запускать код