Herausforderung: Preisvorhersage mit Polynomregression
Für diese Aufgabe soll dasselbe Polynomialregressionsmodell zweiten Grades wie in der vorherigen Aufgabe erstellt werden. Allerdings muss der Datensatz in ein Trainings- und ein Testset aufgeteilt werden, um das RMSE für beide Sets zu berechnen. Dies ist notwendig, um zu beurteilen, ob das Modell über- oder unteranpasst ist.
Hier eine Erinnerung an die Funktion train_test_split(), die verwendet werden soll.
Außerdem eine Erinnerung an die Funktion mean_squared_error(), die zur Berechnung des RMSE benötigt wird:
rmse = mean_squared_error(y_true, y_predicted, squared=False)
Swipe to start coding
- Weisen Sie die DataFrame-Spalte
'age'vondfder VariablenXzu. - Verarbeiten Sie
Xmit der KlassePolynomialFeaturesvor. - Teilen Sie den Datensatz mit der entsprechenden Funktion aus
sklearn. - Erstellen und trainieren Sie ein Modell auf dem Trainingsdatensatz.
- Sagen Sie die Zielwerte sowohl für Trainings- als auch Testdatensatz voraus.
- Berechnen Sie das RMSE für Trainings- und Testdatensatz.
- Drucken Sie die Zusammenfassungstabelle aus.
Lösung
Nach Abschluss der Aufgabe fällt auf, dass das Test-RMSE sogar niedriger ist als das Trainings-RMSE. In der Regel erzielen Modelle auf unbekannten Daten keine besseren Ergebnisse. Hier ist der Unterschied jedoch sehr gering und zufallsbedingt. Unser Datensatz ist relativ klein, und beim Aufteilen hat das Testset etwas besser (leichter vorhersehbare) Datenpunkte erhalten.
Danke für Ihr Feedback!
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 5.26Herausforderung: Preisvorhersage mit Polynomregression
Swipe um das Menü anzuzeigen
Für diese Aufgabe soll dasselbe Polynomialregressionsmodell zweiten Grades wie in der vorherigen Aufgabe erstellt werden. Allerdings muss der Datensatz in ein Trainings- und ein Testset aufgeteilt werden, um das RMSE für beide Sets zu berechnen. Dies ist notwendig, um zu beurteilen, ob das Modell über- oder unteranpasst ist.
Hier eine Erinnerung an die Funktion train_test_split(), die verwendet werden soll.
Außerdem eine Erinnerung an die Funktion mean_squared_error(), die zur Berechnung des RMSE benötigt wird:
rmse = mean_squared_error(y_true, y_predicted, squared=False)
Swipe to start coding
- Weisen Sie die DataFrame-Spalte
'age'vondfder VariablenXzu. - Verarbeiten Sie
Xmit der KlassePolynomialFeaturesvor. - Teilen Sie den Datensatz mit der entsprechenden Funktion aus
sklearn. - Erstellen und trainieren Sie ein Modell auf dem Trainingsdatensatz.
- Sagen Sie die Zielwerte sowohl für Trainings- als auch Testdatensatz voraus.
- Berechnen Sie das RMSE für Trainings- und Testdatensatz.
- Drucken Sie die Zusammenfassungstabelle aus.
Lösung
Nach Abschluss der Aufgabe fällt auf, dass das Test-RMSE sogar niedriger ist als das Trainings-RMSE. In der Regel erzielen Modelle auf unbekannten Daten keine besseren Ergebnisse. Hier ist der Unterschied jedoch sehr gering und zufallsbedingt. Unser Datensatz ist relativ klein, und beim Aufteilen hat das Testset etwas besser (leichter vorhersehbare) Datenpunkte erhalten.
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Awesome!
Completion rate improved to 5.26single
