視覺化回歸模型效能
你已經看過如何直接評估多個模型，現在要建立三個回歸模型來預測歌曲的 "energy" 強度。
music_df 資料集已經為 "genre" 加入了虛擬變數（dummy variables）。另外，特徵與目標陣列也已建立，並已分割為 X_train、X_test、y_train 和 y_test。
下列物件已為你匯入：LinearRegression、Ridge、Lasso、cross_val_score 與 KFold。
本練習屬於課程
使用 scikit-learn 進行監督式學習
練習說明
- 撰寫一個 for 迴圈，使用
model作為迭代變數，model.values()作為可迭代物件。 - 使用該模型對訓練特徵與訓練目標陣列進行交叉驗證，將
cv設為KFold物件。 - 將模型的交叉驗證分數加入 results 清單。
- 建立一個盒狀圖來顯示結果，x 軸標籤使用各模型的名稱。
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。
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()