CommencerCommencer gratuitement

Performance de la régression

Maintenant que vous avez ajusté un modèle, reg, en utilisant toutes les caractéristiques de sales_df, et que vous avez fait des prédictions sur les valeurs des ventes, vous pouvez évaluer les performances à l’aide de quelques métriques de régression courantes.

Les variables X_train, X_test, y_train, y_test et y_pred, ainsi que le modèle ajusté, reg, tous issus du dernier exercice, ont été préchargés pour vous.

Votre tâche consiste à déterminer dans quelle mesure les caractéristiques peuvent expliquer la variance des valeurs cibles, ainsi qu’à évaluer la capacité du modèle à faire des prédictions sur des nouvelles données.

Cet exercice fait partie du cours

Apprentissage supervisé avec scikit-learn

Afficher le cours

Instructions

  • Importez root_mean_squared_error.
  • Calculez le R-carré du modèle en passant les valeurs des caractéristiques de test et les valeurs de la cible test à une méthode appropriée.
  • Calculez la racine de l’erreur quadratique moyenne du modèle en utilisant y_test et y_pred.
  • Affichez r_squared et rmse.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import root_mean_squared_error
from ____.____ import ____

# Compute R-squared
r_squared = reg.____(____, ____)

# Compute RMSE
rmse = ____(____, ____)

# Print the metrics
print("R^2: {}".format(____))
print("RMSE: {}".format(____))
Modifier et exécuter le code