เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Mean squared error

มาดูการทำนายผล NBA ปี 2017 กันอีกครั้ง ทุกปีจะมีทีม NBA อย่างน้อยสองสามทีมที่ชนะมากกว่าที่คาดไว้มาก หากใช้ MAE ตัวชี้วัดนี้จะสะท้อนการทำนายที่ผิดพลาดได้น้อยกว่าการใช้ MSE การยกกำลังสองของค่าผิดพลาดที่มากจากการทำนายที่แย่จะทำให้ความแม่นยำดูแย่ลงอย่างชัดเจน

ในตัวอย่างนี้ ผู้บริหารทีม NBA ต้องการทำนายจำนวนเกมที่ชนะได้แม่นยำขึ้น คุณจะใช้ mean squared error ในการคำนวณค่าความผิดพลาดของการทำนาย โดยค่าชนะจริงถูกโหลดไว้ในตัวแปร y_test และค่าที่ทำนายไว้ในตัวแปร predictions

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจสอบความถูกต้องของโมเดลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณ MSE ด้วยตนเอง $$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i ) ^2 }{n} $$
  • คำนวณ MSE โดยใช้ sklearn

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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))
แก้ไขและรันโค้ด