НачатьНачать бесплатно

Оценка оптимального леса

В этом последнем упражнении курса вы оцените RMSE оптимальной модели объекта grid_rf на тестовой выборке.

Набор данных уже загружен и обработан: он разбит на 80% обучающей и 20% тестовой выборки. В вашем окружении доступны X_test, y_test и функция mean_squared_error из sklearn.metrics под псевдонимом MSE. Кроме того, загружен обученный объект GridSearchCV — grid_rf, который вы создали в предыдущем упражнении. Обратите внимание, что grid_rf был обучен следующим образом:

grid_rf.fit(X_train, y_train)

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте mean_squared_error как MSE из sklearn.metrics.

  • Извлеките наилучшую модель из grid_rf и присвойте её переменной best_model.

  • Получите предсказания best_model на тестовой выборке и сохраните результат в y_pred.

  • Вычислите RMSE модели best_model на тестовой выборке.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))
Редактировать и запускать код