НачатьНачать бесплатно

Предсказание на тестовой выборке

В предыдущем упражнении линейная регрессия и гребневая регрессия показали схожие результаты. Любую из этих моделей можно считать подходящим выбором, однако стоит проверить их качество на тестовой выборке — вдруг одна из них окажется лучше.

В качестве метрики используйте среднеквадратическую ошибку (RMSE). Словарь models, содержащий имена и экземпляры обеих моделей, уже загружен вместе с массивами X_train_scaled, X_test_scaled, y_train и y_test.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

Посмотреть курс

Инструкции к упражнению

  • Импортируйте root_mean_squared_error.
  • Обучите модель на масштабированных обучающих признаках и метках обучающей выборки.
  • Сделайте предсказания на масштабированных тестовых признаках.
  • Вычислите RMSE, передав метки тестовой выборки и предсказанные метки.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import root_mean_squared_error
from ____.____ import ____

for name, model in models.items():
  # Fit the model to the training data
  ____
  
  # Make predictions on the test set
  y_pred = ____
  
  # Calculate the test_rmse
  test_rmse = ____(____, ____)
  print("{} Test Set RMSE: {}".format(name, test_rmse))
Редактировать и запускать код