Mät modellens prestanda
Nu ska du mäta regressionsprestandan på både tränings- och testdata med två mätvärden – roten ur medelkvadratfelet och medelabsolutfelet. Det här är ett viktigt steg där du mäter hur "nära" modellens förutsägelser ligger de faktiska värdena.
Biblioteket numpy har laddats in som np. Funktionerna mean_absolute_error och mean_squared_error har laddats in. Tränings- och testmålvariablerna är inlästa som train_Y och test_Y, och de förutsagda tränings- och testvärdena är importerade som train_pred_Y respektive test_pred_Y.
Den här övningen är en del av kursen
Maskininlärning för marknadsföring i Python
Övningsinstruktioner
- Beräkna roten ur medelkvadratfelet på träningsdata med hjälp av funktionen
np.sqrt(). - Beräkna medelabsolutfelet på träningsdata.
- Beräkna roten ur medelkvadratfelet på testdata.
- Beräkna medelabsolutfelet på testdata.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))
# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)
# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))
# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)
# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))