Kom igångKom igång gratis

Utvärdera den optimala skogen

I den här sista övningen i kursen utvärderar du testmängdens RMSE för grid_rf's optimala modell.

Datamängden är redan inläst och bearbetad åt dig, och är uppdelad i 80 % träning och 20 % test. I din miljö finns X_test, y_test och funktionen mean_squared_error från sklearn.metrics under aliaset MSE. Vi har även laddat det tränade GridSearchCV-objektet grid_rf som du instansierade i föregående övning. Observera att grid_rf tränades enligt följande:

grid_rf.fit(X_train, y_train)

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera mean_squared_error som MSE från sklearn.metrics.

  • Extrahera det bästa estimatorn från grid_rf och tilldela det till best_model.

  • Predicera testmängdens etiketter med best_model och tilldela resultatet till y_pred.

  • Beräkna best_model's RMSE på testmängden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import mean_squared_error from sklearn.metrics as MSE 
____

# Extract the best estimator
best_model = ____

# Predict test set labels
y_pred = ____

# Compute rmse_test
rmse_test = ____

# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))
Redigera och kör kod