Середня абсолютна похибка
Пояснювати результати моделювання може бути складно. Проте більшість замовників розуміють ідею, що в середньому прогностична модель помиляється на певне число. Це спрощує пояснення середньої абсолютної похибки. Наприклад, коли ви прогнозуєте кількість перемог баскетбольної команди: якщо ви передбачили 42, а фактично вийшло 40, легко пояснити, що похибка становила дві перемоги.
У цій вправі ви проходите співбесіду на нову посаду й отримуєте два масиви: y_test — справжня кількість перемог для всіх 30 команд НБА у 2017 році, та predictions, що містить прогноз для кожної команди. Щоб перевірити ваше розуміння, вас просять вручну обчислити MAE і скористатися sklearn.
Ця вправа є частиною курсу
Валідація моделей у Python
Інструкції до вправи
- Вручну обчисліть MAE, використавши
nяк кількість спрогнозованих спостережень. - Обчисліть MAE за допомогою
sklearn. - Виведіть обидва значення точності за допомогою операторів print.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.metrics import mean_absolute_error
# Manually calculate the MAE
n = ____(predictions)
mae_one = sum(____(y_test - predictions)) / n
print('With a manual calculation, the error is {}'.format(____))
# Use scikit-learn to calculate the MAE
mae_two = ____(____, ____)
print('Using scikit-learn, the error is {}'.format(____))