ПочатиПочніть безкоштовно

Оцініть оптимальний ліс

У цій останній вправі курсу ви оціните RMSE на тестовій вибірці для оптимальної моделі з grid_rf.

Набір даних уже завантажено та підготовлено для вас і поділено на 80% тренування та 20% тест. У вашому середовищі доступні X_test, y_test і функція mean_squared_error з sklearn.metrics під псевдонімом MSE. Крім того, ми також завантажили натренований об'єкт GridSearchCV grid_rf, який ви створили в попередній вправі. Зверніть увагу, що grid_rf був натренований так:

grid_rf.fit(X_train, y_train)

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте mean_squared_error як MSE з sklearn.metrics.

  • Витягніть найкращий оцінювач з grid_rf і присвойте його змінній best_model.

  • Зпрогнозуйте мітки тестової вибірки за допомогою best_model і збережіть результат у y_pred.

  • Обчисліть RMSE best_model на тестовій вибірці.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import mean_squared_error from sklearn.metrics as MSE 
____

# Extract the best estimator
best_model = ____

# Predict test set labels
y_pred = ____

# Compute rmse_test
rmse_test = ____

# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))
Редагувати та запускати код