BaşlayınÜcretsiz başlayın

Test/eğitim ayrımıyla bir modeli değerlendir

Şimdi mpg_model modelini test verisi mpg_test üzerinde sınayacaksın. Kolaylık olması için RMSE ve R-kare'yi hesaplayan rmse() ve r_squared() fonksiyonları sağlandı:

rmse(predcol, ycol)
r_squared(predcol, ycol)

şöyle ki:

  • predcol: Tahmin edilen değerler
  • ycol: Gerçek sonuç

Ayrıca tahminleri çıktı ile karşılaştırmalı olarak görselleştireceksin.

Genelde model performansı eğitim verisinde test verisine göre daha iyidir (bazen test kümesi "şanslı" da olabilir). Performansta küçük bir fark normaldir; eğitimdeki performans belirgin biçimde daha iyiyse bir sorun var demektir.

mpg_train ve mpg_test veri çerçeveleri ile mpg_model modeli ve rmse() ile r_squared() fonksiyonları önceden yüklendi.

Bu egzersiz, kursun bir parçasıdır

R'de Supervised Learning: Regresyon

Kursa Göz Atın

Egzersiz talimatları

  • mpg_train verisinde hwy değişkeninden şehir içi yakıt verimliliğini tahmin et. Tahminleri pred sütununa ata.
  • mpg_test verisinde hwy değişkeninden şehir içi yakıt verimliliğini tahmin et. Tahminleri pred sütununa ata.
  • Hem test hem de eğitim kümeleri için RMSE'yi değerlendirmek üzere rmse() kullan. Karşılaştır. Performanslar benzer mi?
  • Aynısını r_squared() ile yap. Performanslar benzer mi?
  • ggplot2 ile test verisinde tahminleri cty değişkenine karşı çiz.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Examine the objects that have been loaded
ls.str()

# predict cty from hwy for the training set
mpg_train$pred <- ___

# predict cty from hwy for the test set
mpg_test$pred <- ___

# Evaluate the rmse on both training and test data and print them
(rmse_train <- ___)
(rmse_test <- ___)


# Evaluate the r-squared on both training and test data.and print them
(rsq_train <- ___)
(rsq_test <- ___)

# Plot the predictions (on the x-axis) against the outcome (cty) on the test data
ggplot(___, aes(x = ___, y = ___)) + 
  geom_point() + 
  geom_abline()
Kodu Düzenle ve Çalıştır