เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การถดถอยด้วยฟีเจอร์ประเภทหมวดหมู่

เมื่อสร้าง music_dummies ซึ่งมีฟีเจอร์แบบไบนารีสำหรับแต่ละแนวเพลงแล้ว ถึงเวลาสร้างโมเดล ridge regression เพื่อทำนายความนิยมของเพลง

music_dummies ถูกโหลดไว้ล่วงหน้าแล้ว พร้อมกับ Ridge, cross_val_score, numpy ในชื่อ np และออบเจ็กต์ KFold ที่เก็บไว้ในตัวแปร kf

โมเดลจะถูกประเมินด้วยการคำนวณค่า RMSE เฉลี่ย แต่ก่อนอื่น ต้องแปลงคะแนนของแต่ละ fold ให้เป็นค่าบวกและหาค่ารากที่สอง ค่านี้แสดงถึงค่าความผิดพลาดเฉลี่ยของการทำนาย จึงสามารถนำไปเปรียบเทียบกับส่วนเบี่ยงเบนมาตรฐานของตัวแปรเป้าหมาย—"popularity" ได้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง X ที่ประกอบด้วยฟีเจอร์ทั้งหมดใน music_dummies และ y ที่ประกอบด้วยคอลัมน์ "popularity"
  • สร้างโมเดล ridge regression โดยกำหนด alpha เท่ากับ 0.2
  • ทำ cross-validation บน X และ y โดยใช้โมเดล ridge กำหนด cv เท่ากับ kf และใช้ negative mean squared error เป็น scoring metric
  • แสดงค่า RMSE โดยแปลง scores ที่เป็นค่าลบให้เป็นค่าบวก แล้วหาค่ารากที่สอง

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Create X and y
X = ____
y = ____

# Instantiate a ridge model
ridge = ____

# Perform cross-validation
scores = ____(____, ____, ____, cv=____, scoring="____")

# Calculate RMSE
rmse = np.____(____)
print("Average RMSE: {}".format(np.mean(rmse)))
print("Standard Deviation of the target array: {}".format(np.std(y)))
แก้ไขและรันโค้ด