评估最优随机森林
在本课程的最后一个练习中，您将评估 grid_rf 最优模型在测试集上的 RMSE。
数据集已为您加载并完成预处理，并按 80% 训练集和 20% 测试集切分。您的环境中已提供 X_test、y_test，以及来自 sklearn.metrics 并以别名 MSE 导入的函数 mean_squared_error。此外，我们还加载了您在上一个练习中实例化并训练好的 GridSearchCV 对象 grid_rf。请注意，grid_rf 的训练方式如下：
grid_rf.fit(X_train, y_train)
本练习是课程的一部分
Python 树模型机器学习
练习说明
从
sklearn.metrics导入mean_squared_error，并命名为MSE。从
grid_rf中提取最佳估计器，并将其赋值给best_model。使用
best_model预测测试集标签，并将结果赋值给y_pred。计算
best_model在测试集上的 RMSE。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))