Medelabsolutfel
Att kommunicera modellresultat kan vara utmanande. De flesta förstår däremot intuitivt att en prediktiv modell i genomsnitt avviker med ett visst antal enheter – vilket gör medelabsolutfelet (MAE) lätt att förklara. Om du till exempel förutspår att ett basketlag vinner 42 matcher, men de slutar på 40, kan du enkelt förklara att felet var två vinster.
I den här övningen intervjuas du för en ny tjänst och får tillgång till två arrayer: y_test, det verkliga antalet vinster för alla 30 NBA-lag under 2017, och predictions, som innehåller en prediktion för varje lag. För att visa din förståelse ombeds du att både beräkna MAE manuellt och med hjälp av sklearn.
Den här övningen är en del av kursen
Modellvalidering i Python
Övningsinstruktioner
- Beräkna MAE manuellt med
nsom antal observationer som predikterades. - Beräkna MAE med hjälp av
sklearn. - Skriv ut båda noggrannhetsmåtten med hjälp av print-satserna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.metrics import mean_absolute_error
# Manually calculate the MAE
n = ____(predictions)
mae_one = sum(____(y_test - predictions)) / n
print('With a manual calculation, the error is {}'.format(____))
# Use scikit-learn to calculate the MAE
mae_two = ____(____, ____)
print('Using scikit-learn, the error is {}'.format(____))