Medelkvadratfel
Nu fokuserar vi på NBA-förutsägelserna från 2017 igen. Varje år finns det minst ett par NBA-lag som vinner betydligt fler matcher än förväntat. Om du använder MAE återspeglar det noggrannhetsmåttet inte de dåliga förutsägelserna lika tydligt som om du använder MSE. Genom att kvadrera de stora felen från dåliga förutsägelser framstår noggrannheten som sämre.
I det här exemplet vill NBA-ledningen bättre kunna förutsäga hur många matcher lagen vinner. Du använder medelkvadratfelet för att beräkna förutsägelsefelet. De faktiska vinsterna är inlästa som y_test och förutsägelserna som predictions.
Den här övningen är en del av kursen
Modellvalidering i Python
Övningsinstruktioner
- Beräkna MSE manuellt. $$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i ) ^2 }{n} $$
- Beräkna MSE med hjälp av
sklearn.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.metrics import ____
n = ___(predictions)
# Finish the manual calculation of the MSE
mse_one = sum((y_test - predictions)____) / n
print('With a manual calculation, the error is {}'.format(mse_one))
# Use the scikit-learn function to calculate MSE
mse_two = ____
print('Using scikit-learn, the error is {}'.format(mse_two))