ПочатиПочніть безкоштовно

Прогнозування на тестовому наборі

У попередній вправі лінійна регресія та ridge дали подібні результати. Можна обрати будь-яку з цих моделей; однак варто перевірити якість передбачення на тестовому наборі, щоб побачити, чи одна з них перевершує іншу.

Ви використаєте корінь із середньоквадратичної помилки (RMSE) як метрику. Словник models, що містить назви та екземпляри двох моделей, уже завантажено для вас, так само як і масиви для тренування та цілі: X_train_scaled, X_test_scaled, y_train і y_test.

Ця вправа є частиною курсу

Кероване навчання зі scikit-learn

Переглянути курс

Інструкції до вправи

  • Імпортуйте root_mean_squared_error.
  • Навчіть модель на масштабованих тренувальних ознаках і тренувальних мітках.
  • Зробіть передбачення, використовуючи масштабовані тестові ознаки.
  • Обчисліть RMSE, передавши мітки тестового набору та передбачені мітки.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import root_mean_squared_error
from ____.____ import ____

for name, model in models.items():
  # Fit the model to the training data
  ____
  
  # Make predictions on the test set
  y_pred = ____
  
  # Calculate the test_rmse
  test_rmse = ____(____, ____)
  print("{} Test Set RMSE: {}".format(name, test_rmse))
Редагувати та запускати код