Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Impara Sfida: Previsione dei Prezzi Utilizzando la Regressione Polinomiale | Scelta del Modello Migliore
Regressione Lineare con Python

Scorri per mostrare il menu

book
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)
Compito

Swipe to start coding

  1. Assegnare al variabile 'age' il DataFrame con la singola colonna df di X.
  2. Pre-elaborare X utilizzando la classe PolynomialFeatures.
  3. Suddividere il dataset utilizzando la funzione appropriata di sklearn.
  4. Costruire e addestrare un modello sul set di addestramento.
  5. Predire i target sia del set di addestramento che di test.
  6. Calcolare l'RMSE sia per il set di addestramento che per quello di test.
  7. 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).

Switch to desktopCambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti
Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 4. Capitolo 4
single

single

Chieda ad AI

expand

Chieda ad AI

ChatGPT

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

close

Awesome!

Completion rate improved to 5.26

book
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)
Compito

Swipe to start coding

  1. Assegnare al variabile 'age' il DataFrame con la singola colonna df di X.
  2. Pre-elaborare X utilizzando la classe PolynomialFeatures.
  3. Suddividere il dataset utilizzando la funzione appropriata di sklearn.
  4. Costruire e addestrare un modello sul set di addestramento.
  5. Predire i target sia del set di addestramento che di test.
  6. Calcolare l'RMSE sia per il set di addestramento che per quello di test.
  7. 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).

Switch to desktopCambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti
Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

close

Awesome!

Completion rate improved to 5.26

Scorri per mostrare il menu

some-alt