วัดความพอดีของโมเดล

ในแบบฝึกหัดนี้ จะวัดประสิทธิภาพของการถดถอยทั้งบนข้อมูล training และ testing ด้วย 2 เมตริก ได้แก่ root mean squared error และ mean absolute error ขั้นตอนนี้มีความสำคัญมาก เพราะเป็นการวัดว่าค่าพยากรณ์จากโมเดลนั้น "ใกล้เคียง" กับค่าจริงมากเพียงใด

ไลบรารี numpy ถูกโหลดเป็น np แล้ว รวมถึงฟังก์ชัน mean_absolute_error และ mean_squared_error ตัวแปร target สำหรับ training และ testing ถูกโหลดเป็น train_Y และ test_Y ส่วนค่าที่ พยากรณ์ ได้จาก training และ testing ถูกนำเข้าเป็น train_pred_Y และ test_pred_Y ตามลำดับ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับการตลาดด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

คำนวณ root mean squared error บนข้อมูล training โดยใช้ฟังก์ชัน np.sqrt()
คำนวณ mean absolute error บนข้อมูล training
คำนวณ root mean squared error บนข้อมูล testing
คำนวณ mean absolute error บนข้อมูล testing

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Calculate root mean squared error on training data
rmse_train = np.sqrt(___(train_Y, train_pred_Y))

# Calculate mean absolute error on training data
mae_train = ___(train_Y, train_pred_Y)

# Calculate root mean squared error on testing data
rmse_test = np.sqrt(___(test_Y, test_pred_Y))

# Calculate mean absolute error on testing data
mae_test = ___(test_Y, test_pred_Y)

# Print the performance metrics
print('RMSE train: {}; RMSE test: {}\nMAE train: {}, MAE test: {}'.format(rmse_train, rmse_test, mae_train, mae_test))

แก้ไขและรันโค้ด