Bắt đầu ngayBắt đầu miễn phí

Trực quan hóa hiệu suất mô hình hồi quy

Bây giờ bạn đã thấy cách đánh giá nhiều mô hình ngay từ đầu, bạn sẽ xây dựng ba mô hình hồi quy để dự đoán mức "energy" của một bài hát.

Bộ dữ liệu music_df đã được thêm các biến giả (dummy) cho "genre". Ngoài ra, mảng đặc trưng và mục tiêu đã được tạo và được chia thành X_train, X_test, y_train, và y_test.

Những thành phần sau đã được nhập sẵn cho bạn: LinearRegression, Ridge, Lasso, cross_val_score, và KFold.

Bài tập này là một phần của khóa học

Học có giám sát với scikit-learn

Xem khóa học

Hướng dẫn bài tập

  • Viết một vòng lặp for dùng model làm biến lặp và model.values() làm iterable.
  • Thực hiện cross-validation trên các đặc trưng huấn luyện và mảng mục tiêu huấn luyện bằng mô hình, đặt cv bằng đối tượng KFold.
  • Thêm các điểm số cross-validation của mô hình vào danh sách results.
  • Tạo một box plot hiển thị kết quả, với nhãn trục x là tên các mô hình.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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()
Chỉnh sửa và Chạy Mã