Resultat från Lasso-modellen
Nu när du har tränat Lasso-modellen ska du beräkna dess prediktiva förmåga (\(R^2\)) på testmängden och räkna hur många särdrag som ignoreras eftersom deras koefficient reducerats till noll.
Datamängderna X_test och y_test har redan laddats in åt dig.
Lasso()-modellen och StandardScaler() har instansierats som la respektive scaler, och båda har anpassats till träningsdata.
Den här övningen är en del av kursen
Dimensionsreduktion i Python
Övningsinstruktioner
- Transformera testmängden med den föranpassade skalaren.
- Beräkna \(R^2\)-värdet på de skalade testdata.
- Skapa en lista med True-värden där koefficienterna är lika med 0.
- Beräkna det totala antalet särdrag med en koefficient på 0.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Transform the test set with the pre-fitted scaler
X_test_std = scaler.____
# Calculate the coefficient of determination (R squared) on X_test_std
r_squared = la.____(____, ____)
print(f"The model can predict {r_squared:.1%} of the variance in the test set.")
# Create a list that has True values when coefficients equal 0
zero_coef = la.____ == ____
# Calculate how many features have a zero coefficient
n_ignored = sum(____)
print(f"The model has ignored {n_ignored} out of {len(la.coef_)} features.")