เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Mean absolute error

การสื่อสารผลลัพธ์ของโมเดลอาจเป็นเรื่องยาก แต่ผู้ที่เกี่ยวข้องส่วนใหญ่เข้าใจได้ว่าโมเดลพยากรณ์คลาดเคลื่อนไปโดยเฉลี่ยเท่าใด ซึ่งทำให้การอธิบาย mean absolute error เป็นเรื่องง่าย ตัวอย่างเช่น หากพยากรณ์จำนวนชัยชนะของทีมบาสเกตบอลไว้ที่ 42 แต่ผลจริงคือ 40 คุณก็สามารถบอกได้ทันทีว่าค่าความคลาดเคลื่อนคือ 2 เกม

ในแบบฝึกหัดนี้ สมมติว่ากำลังสัมภาษณ์งานและได้รับอาร์เรย์สองชุด ได้แก่ y_test ซึ่งเป็นจำนวนชัยชนะจริงของทีม NBA ทั้ง 30 ทีมในปี 2017 และ predictions ซึ่งเป็นค่าพยากรณ์สำหรับแต่ละทีม เพื่อทดสอบความเข้าใจ ให้คำนวณ MAE ทั้งแบบด้วยมือและโดยใช้ sklearn

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจสอบความถูกต้องของโมเดลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณ MAE ด้วยตนเอง โดยใช้ n เป็นจำนวนการพยากรณ์ทั้งหมด
  • คำนวณ MAE โดยใช้ sklearn
  • แสดงค่าความแม่นยำทั้งสองด้วยคำสั่ง print ที่เตรียมไว้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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(____))
แก้ไขและรันโค้ด