ПочатиПочніть безкоштовно

Оцініть регресійне дерево

У цій вправі ви оціните якість dt на тестовій вибірці за метрикою Root Mean Squared Error (RMSE). RMSE моделі показує, наскільки в середньому прогнозні значення моделі відрізняються від справжніх міток. RMSE можна отримати, обчисливши квадратний корінь із середньоквадратичної помилки (Mean Squared Error, MSE) моделі.

Матриця ознак X_test, масив y_test, а також регресор дерева рішень dt, який ви тренували в попередній вправі, доступні у вашому робочому середовищі.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте з sklearn.metrics функцію mean_squared_error як MSE.
  • Передбачте мітки для тестової вибірки та запишіть результат у y_pred.
  • Обчисліть MSE на тестовій вибірці, викликавши MSE, і збережіть результат у mse_dt.
  • Обчисліть RMSE на тестовій вибірці та запишіть його в rmse_dt.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____

# Compute y_pred
____ = ____.____(____)

# Compute mse_dt
____ = ____(____, ____)

# Compute rmse_dt
____ = ____

# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))
Редагувати та запускати код