Середньоквадратична помилка
Знову повернімося до прогнозів НБА за 2017 рік. Щороку є принаймні кілька команд НБА, які перемагають значно більше, ніж очікувалося. Якщо використовувати MAE, цей показник точності менше відображає дуже погані прогнози, ніж якщо використовувати MSE. Піднесення великих похибок від невдалих прогнозів до квадрата зробить оцінку точності гіршою.
У цьому прикладі керівники НБА хочуть точніше передбачати кількість перемог команд. Ви використаєте середньоквадратичну помилку, щоб обчислити похибку прогнозу. Фактична кількість перемог завантажена як y_test, а прогнози — як predictions.
Ця вправа є частиною курсу
Валідація моделей у Python
Інструкції до вправи
- Розрахуйте MSE вручну. $$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i ) ^2 }{n} $$
- Обчисліть MSE за допомогою
sklearn.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.metrics import ____
n = ___(predictions)
# Finish the manual calculation of the MSE
mse_one = sum((y_test - predictions)____) / n
print('With a manual calculation, the error is {}'.format(mse_one))
# Use the scikit-learn function to calculate MSE
mse_two = ____
print('Using scikit-learn, the error is {}'.format(mse_two))