評估回歸樹
在這個練習中，你將使用均方根誤差（Root Mean Squared Error，RMSE）評估 dt 在測試集上的表現。模型的 RMSE 量化了模型的預測與實際標籤平均相差多少。要取得模型的 RMSE，可以先計算模型的均方誤差（Mean Squared Error，MSE），再取其平方根。
特徵矩陣 X_test、陣列 y_test，以及你在上一題訓練的決策樹回歸器 dt，都已經在你的工作空間中。
本練習屬於課程
Machine Learning with Tree-Based Models in Python
練習說明
- 從
sklearn.metrics匯入函式mean_squared_error，並命名為MSE。 - 預測測試集的標籤，並將輸出指定給
y_pred。 - 呼叫
MSE計算測試集的 MSE，並將結果指定給mse_dt。 - 計算測試集的 RMSE，並將結果指定給
rmse_dt。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import mean_squared_error from sklearn.metrics as MSE
from ____.____ import ____ as ____
# Compute y_pred
____ = ____.____(____)
# Compute mse_dt
____ = ____(____, ____)
# Compute rmse_dt
____ = ____
# Print rmse_dt
print("Test set RMSE of dt: {:.2f}".format(rmse_dt))