評估最佳的隨機森林
在本課程的最後一個練習中，你將評估 grid_rf 最佳模型在測試集上的 RMSE。
資料集已為你載入並完成前處理，且已分割為 80% 訓練與 20% 測試。環境中提供了 X_test、y_test，以及從 sklearn.metrics 匯入並以別名 MSE 提供的函式 mean_squared_error。另外，我們也已載入你在前一題建立並訓練好的 GridSearchCV 物件 grid_rf。請注意，grid_rf 的訓練方式如下：
grid_rf.fit(X_train, y_train)
本練習屬於課程
Machine Learning with Tree-Based Models in Python
練習說明
從
sklearn.metrics匯入mean_squared_error，並命名為MSE。從
grid_rf取出最佳估計器，指定給best_model。使用
best_model對測試集進行預測，將結果指定為y_pred。計算
best_model在測試集的 RMSE。
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
____
# Extract the best estimator
best_model = ____
# Predict test set labels
y_pred = ____
# Compute rmse_test
rmse_test = ____
# Print rmse_test
print('Test RMSE of best model: {:.3f}'.format(rmse_test))