开始使用免费开始使用

可视化回归模型的表现

现在您已经了解了如何即开即用地评估多个模型，接下来将构建 3 个回归模型来预测歌曲的 "energy" 水平。

music_df 数据集已为 "genre" 添加了虚拟变量（哑变量）。此外，特征数组和目标数组已创建，并已拆分为 X_train、X_test、y_train 和 y_test。

以下内容已为您导入：LinearRegression、Ridge、Lasso、cross_val_score 和 KFold。

本练习是课程的一部分

使用 scikit-learn 的监督学习

查看课程

练习说明

  • 使用 model 作为迭代变量、model.values() 作为可迭代对象编写 for 循环。
  • 使用该模型在训练特征和训练目标数组上执行交叉验证，将 cv 设为 KFold 对象。
  • 将该模型的交叉验证分数追加到 results 列表。
  • 创建箱线图展示结果，x 轴标签使用各模型的名称。

交互式实操练习

通过完成这段示例代码来试试这个练习。

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()
编辑并运行代码