НачатьНачать бесплатно

Визуализация качества регрессионных моделей

Теперь, когда вы знаете, как оценивать несколько моделей сразу, попробуйте построить три регрессионные модели для предсказания уровня "energy" в песнях.

В набор данных music_df уже добавлены фиктивные переменные для "genre". Массивы признаков и целевой переменной созданы и разбиты на X_train, X_test, y_train и y_test.

Для вас уже импортированы: LinearRegression, Ridge, Lasso, cross_val_score и KFold.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

Посмотреть курс

Инструкции к упражнению

  • Напишите цикл for, используя model в качестве итератора и model.values() в качестве итерируемого объекта.
  • Выполните перекрёстную проверку на обучающих признаках и обучающем массиве целевой переменной с помощью модели, задав cv равным объекту KFold.
  • Добавьте результаты перекрёстной проверки модели в список results.
  • Создайте ящичковую диаграмму, отображающую результаты, с метками по оси x в виде названий моделей.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Редактировать и запускать код