Kom igångKom igång gratis

Visualisering av regressionsmodellers prestanda

Nu har du sett hur man utvärderar flera modeller direkt. I den här övningen bygger du tre regressionsmodeller för att förutsäga en låts "energy"-nivåer.

I datamängden music_df har dummyvariabler för "genre" redan lagts till. Dessutom har feature- och målmatriser skapats och delats upp i X_train, X_test, y_train och y_test.

Följande har importerats åt dig: LinearRegression, Ridge, Lasso, cross_val_score och KFold.

Den här övningen är en del av kursen

Övervakad inlärning med scikit-learn

Visa kurs

Övningsinstruktioner

  • Skriv en for-slinga med model som iterator och model.values() som iterable.
  • Utför korsvalidering på träningssärdragen och träningens målmatris med modellen, och sätt cv till KFold-objektet.
  • Lägg till modellens korsvalideringspoäng i listan results.
  • Skapa ett lådagram som visar resultaten, med modellernas namn som etiketter på x-axeln.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Redigera och kör kod