Kom igångKom igång gratis

Utvärdera träningsfelet

Nu ska du utvärdera det RMSE på träningsuppsättningen som uppnås av regressionsträdet dt, vilket du skapade i en tidigare övning.

Förutom dt finns X_train och y_train tillgängliga i din arbetsmiljö.

Observera att MSE för en modell i scikit-learn kan beräknas enligt följande:

MSE_model = mean_squared_error(y_true, y_predicted)

där vi använder funktionen mean_squared_error från modulen metrics och skickar in de sanna etiketterna y_true som första argument och modellens predikterade etiketter y_predicted som andra argument.

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.
  • Anpassa dt till träningsuppsättningen.
  • Prediktera dt:s etiketter för träningsuppsättningen och tilldela resultatet till y_pred_train.
  • Beräkna dt:s RMSE på träningsuppsättningen och tilldela värdet till RMSE_train.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import mean_squared_error from sklearn.metrics as MSE
____

# Fit dt to the training set
____.____(____, ____)

# Predict the labels of the training set
____ = ____.____(____)

# Evaluate the training set RMSE of dt
____ = (____(____, ____))**(___)

# Print RMSE_train
print('Train RMSE: {:.2f}'.format(RMSE_train))
Redigera och kör kod