Средняя абсолютная ошибка
Объяснять результаты моделирования бывает непросто. Однако большинство заказчиков понимает, что на практике прогностическая модель в среднем ошибается на некоторую величину — именно это и выражает средняя абсолютная ошибка (MAE). Например, если модель предсказала 42 победы баскетбольной команды, а команда выиграла 40 раз, ошибку легко объяснить: всего две победы.
В этом упражнении вы проходите собеседование на новую должность и получаете два массива: y_test — реальное количество побед всех 30 команд НБА в 2017 году — и predictions — прогноз для каждой из команд. Чтобы проверить ваши знания, вам предлагается вычислить MAE вручную, а затем с помощью sklearn.
Это упражнение является частью курса
Валидация моделей на Python
Инструкции к упражнению
- Вычислите MAE вручную, используя
nкак количество предсказанных наблюдений. - Вычислите MAE с помощью
sklearn. - Выведите оба значения точности с помощью операторов вывода.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
from sklearn.metrics import mean_absolute_error
# Manually calculate the MAE
n = ____(predictions)
mae_one = sum(____(y_test - predictions)) / n
print('With a manual calculation, the error is {}'.format(____))
# Use scikit-learn to calculate the MAE
mae_two = ____(____, ____)
print('Using scikit-learn, the error is {}'.format(____))