Sfida: Previsione dei Prezzi Utilizzando la Regressione Polinomiale
Per questa sfida, costruirai la stessa Regressione Polinomiale di grado 2 come nella sfida precedente. Tuttavia, dovrai suddividere il set in un set di addestramento e un set di test per calcolare l'RMSE per entrambi i set. Questo è necessario per valutare se il modello è soggetto a overfitting o underfitting.
Ecco un promemoria della funzione train_test_split() che vorrai utilizzare.
E anche un promemoria della funzione mean_squared_error() necessaria per calcolare l'RMSE:
rmse = mean_squared_error(y_true, y_predicted, squared=False)
Swipe to start coding
- Assegnare al variabile
'age'il DataFrame con la singola colonnadfdiX. - Pre-elaborare
Xutilizzando la classePolynomialFeatures. - Suddividere il dataset utilizzando la funzione appropriata di
sklearn. - Costruire e addestrare un modello sul set di addestramento.
- Predire i target sia del set di addestramento che di test.
- Calcolare l'RMSE sia per il set di addestramento che per quello di test.
- Stampare la tabella di riepilogo.
Soluzione
Quando completi il compito, noterai che l'RMSE del test è persino inferiore a quello dell'addestramento. Di solito, i modelli non mostrano risultati migliori su istanze non viste. Qui, la differenza è minima e dovuta al caso. Il nostro dataset è relativamente piccolo e, durante la suddivisione, il set di test ha ricevuto dati leggermente migliori (più facili da prevedere).
Grazie per i tuoi commenti!
single
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 5.26Sfida: Previsione dei Prezzi Utilizzando la Regressione Polinomiale
Scorri per mostrare il menu
Per questa sfida, costruirai la stessa Regressione Polinomiale di grado 2 come nella sfida precedente. Tuttavia, dovrai suddividere il set in un set di addestramento e un set di test per calcolare l'RMSE per entrambi i set. Questo è necessario per valutare se il modello è soggetto a overfitting o underfitting.
Ecco un promemoria della funzione train_test_split() che vorrai utilizzare.
E anche un promemoria della funzione mean_squared_error() necessaria per calcolare l'RMSE:
rmse = mean_squared_error(y_true, y_predicted, squared=False)
Swipe to start coding
- Assegnare al variabile
'age'il DataFrame con la singola colonnadfdiX. - Pre-elaborare
Xutilizzando la classePolynomialFeatures. - Suddividere il dataset utilizzando la funzione appropriata di
sklearn. - Costruire e addestrare un modello sul set di addestramento.
- Predire i target sia del set di addestramento che di test.
- Calcolare l'RMSE sia per il set di addestramento che per quello di test.
- Stampare la tabella di riepilogo.
Soluzione
Quando completi il compito, noterai che l'RMSE del test è persino inferiore a quello dell'addestramento. Di solito, i modelli non mostrano risultati migliori su istanze non viste. Qui, la differenza è minima e dovuta al caso. Il nostro dataset è relativamente piccolo e, durante la suddivisione, il set di test ha ricevuto dati leggermente migliori (più facili da prevedere).
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
Awesome!
Completion rate improved to 5.26single
