ПочатиПочніть безкоштовно

OOB-оцінка vs оцінка на тестовій вибірці

Тепер, коли ви створили екземпляр bc, навчіть його на тренувальній вибірці та оцініть точність на тестовій вибірці й OOB-точність.

Набір даних уже підготовлено та поділено: 80% — тренування, 20% — тест. Матриці ознак X_train і X_test, а також масиви міток y_train і y_test доступні у вашому робочому середовищі. Крім того, ми завантажили класифікатор bc, створений у попередній вправі, і функцію accuracy_score() з sklearn.metrics.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Навчіть bc на тренувальній вибірці, спрогнозуйте мітки для тестової вибірки та збережіть результат у y_pred.

  • Оцініть точність на тестовій вибірці acc_test, викликавши accuracy_score.

  • Оцініть OOB-точність acc_oob для bc, отримавши значення атрибута oob_score_ з bc.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Fit bc to the training set 
____.____(____, ____)

# Predict test set labels
y_pred = ____.____(____)

# Evaluate test set accuracy
acc_test = ____(____, ____)

# Evaluate OOB accuracy
acc_oob = ____.____

# Print acc_test and acc_oob
print('Test set accuracy: {:.3f}, OOB accuracy: {:.3f}'.format(acc_test, acc_oob))
Редагувати та запускати код