Utfordring: Predikere Priser ved Bruk av Polynomisk Regresjon
I denne utfordringen skal du bygge den samme polynomregresjonen av grad 2 som i forrige utfordring. Du må imidlertid dele datasettet i et treningssett og et testsett for å beregne RMSE for begge disse settene. Dette er nødvendig for å vurdere om modellen overtilpasser eller undertilpasser.
Her er en påminnelse om funksjonen train_test_split() som du bør bruke.
Og her er en påminnelse om funksjonen mean_squared_error() som trengs for å beregne RMSE:
rmse = mean_squared_error(y_true, y_predicted, squared=False)
Swipe to start coding
- Tildel DataFrame med én kolonne
'age'fradftil variabelenX. - Forhåndsprosesser
Xved å bruke klassenPolynomialFeatures. - Del datasettet ved hjelp av riktig funksjon fra
sklearn. - Bygg og tren en modell på treningssettet.
- Prediker målene for både trenings- og testsett.
- Beregn RMSE for både trenings- og testsett.
- Skriv ut oppsummeringstabellen.
Løsning
Når du har fullført oppgaven, vil du legge merke til at test-RMSE faktisk er lavere enn trenings-RMSE. Vanligvis gir ikke modeller bedre resultater på ukjente data. Her er forskjellen svært liten og skyldes tilfeldigheter. Datasettet vårt er relativt lite, og ved delingen fikk testsettet litt bedre (enklere å forutsi) datapunkter.
Takk for tilbakemeldingene dine!
single
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Can you explain how to interpret RMSE values for training and test sets?
What does it mean if the test RMSE is lower than the training RMSE?
Can you provide an example of how to use train_test_split and mean_squared_error together?
Awesome!
Completion rate improved to 5.26Utfordring: Predikere Priser ved Bruk av Polynomisk Regresjon
Sveip for å vise menyen
I denne utfordringen skal du bygge den samme polynomregresjonen av grad 2 som i forrige utfordring. Du må imidlertid dele datasettet i et treningssett og et testsett for å beregne RMSE for begge disse settene. Dette er nødvendig for å vurdere om modellen overtilpasser eller undertilpasser.
Her er en påminnelse om funksjonen train_test_split() som du bør bruke.
Og her er en påminnelse om funksjonen mean_squared_error() som trengs for å beregne RMSE:
rmse = mean_squared_error(y_true, y_predicted, squared=False)
Swipe to start coding
- Tildel DataFrame med én kolonne
'age'fradftil variabelenX. - Forhåndsprosesser
Xved å bruke klassenPolynomialFeatures. - Del datasettet ved hjelp av riktig funksjon fra
sklearn. - Bygg og tren en modell på treningssettet.
- Prediker målene for både trenings- og testsett.
- Beregn RMSE for både trenings- og testsett.
- Skriv ut oppsummeringstabellen.
Løsning
Når du har fullført oppgaven, vil du legge merke til at test-RMSE faktisk er lavere enn trenings-RMSE. Vanligvis gir ikke modeller bedre resultater på ukjente data. Her er forskjellen svært liten og skyldes tilfeldigheter. Datasettet vårt er relativt lite, og ved delingen fikk testsettet litt bedre (enklere å forutsi) datapunkter.
Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenforTakk for tilbakemeldingene dine!
single
