Оцініть якість моделі
Тепер ви оціните якість регресії на тренувальних і тестових даних за двома метриками — коренем із середньоквадратичної помилки та середньою абсолютною помилкою. Це критичний крок: ви вимірюєте, наскільки «близькі» передбачення моделі до фактичних значень.
Бібліотеку numpy завантажено як np. Функції mean_absolute_error і mean_squared_error завантажені. Цільові змінні для тренування та тесту завантажені як train_Y і test_Y, а передбачені значення для тренування та тесту імпортовані відповідно як train_pred_Y і test_pred_Y.
Ця вправа є частиною курсу
Machine Learning для маркетингу в Python
Інструкції до вправи
- Обчисліть корінь із середньоквадратичної помилки на тренувальних даних за допомогою функції
np.sqrt(). - Обчисліть середню абсолютну помилку на тренувальних даних.
- Обчисліть корінь із середньоквадратичної помилки на тестових даних.
- Обчисліть середню абсолютну помилку на тестових даних.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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))