Среднеквадратичная ошибка
Вернёмся к прогнозам НБА за 2017 год. Каждый сезон несколько команд выигрывают значительно больше матчей, чем предполагалось. Если использовать MAE, такие неудачные прогнозы отражаются в метрике не так заметно, как при использовании MSE. Возведение больших ошибок в квадрат делает точность предсказаний более показательной.
В этом упражнении руководство НБА стремится точнее предсказывать количество побед команд. Вы воспользуетесь среднеквадратичной ошибкой для оценки ошибки предсказания. Фактические результаты загружены в переменную y_test, а прогнозируемые значения — в переменную predictions.
Это упражнение является частью курса
Валидация моделей на Python
Инструкции к упражнению
- Вычислите MSE вручную. $$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i ) ^2 }{n} $$
- Вычислите MSE с помощью
sklearn.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
from sklearn.metrics import ____
n = ___(predictions)
# Finish the manual calculation of the MSE
mse_one = sum((y_test - predictions)____) / n
print('With a manual calculation, the error is {}'.format(mse_one))
# Use the scikit-learn function to calculate MSE
mse_two = ____
print('Using scikit-learn, the error is {}'.format(mse_two))