НачатьНачать бесплатно

Оценка ошибки на обучающей выборке

Теперь вы оцените RMSE на обучающей выборке, достигнутое деревом регрессии dt, которое вы создали в предыдущем упражнении.

Помимо dt, в вашем рабочем пространстве доступны X_train и y_train.

Обратите внимание, что в scikit-learn MSE модели можно вычислить следующим образом:

MSE_model = mean_squared_error(y_true, y_predicted)

здесь используется функция mean_squared_error из модуля metrics, которой передаются истинные метки y_true первым аргументом, а предсказанные моделью метки y_predicted — вторым.

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.
  • Обучите dt на обучающей выборке.
  • Предскажите метки для обучающей выборки с помощью dt и сохраните результат в y_pred_train.
  • Вычислите RMSE модели dt на обучающей выборке и сохраните результат в RMSE_train.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))
Редактировать и запускать код