ПочатиПочніть безкоштовно

Візуалізація ефективності регресійних моделей

Тепер, коли ви побачили, як оцінювати кілька моделей «з коробки», ви побудуєте три регресійні моделі для передбачення рівня "energy" пісні.

У наборі даних music_df додано дамі-змінні для "genre". Також створено масиви ознак і цільовий масив, які розділено на X_train, X_test, y_train та y_test.

Для вас уже імпортовано: LinearRegression, Ridge, Lasso, cross_val_score і KFold.

Ця вправа є частиною курсу

Кероване навчання зі scikit-learn

Переглянути курс

Інструкції до вправи

  • Напишіть цикл for, використовуючи model як ітератор і model.values() як ітерований об'єкт.
  • Виконайте перехресну перевірку на тренувальних ознаках і тренувальному цільовому масиві, використовуючи модель та встановивши cv рівним об'єкту KFold.
  • Додайте кросвальнихні бали моделі до списку results.
  • Створіть коробкову діаграму для відображення результатів, встановивши підписи на осі x як назви моделей.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Редагувати та запускати код