Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Utfordring: Predikere Priser ved Bruk av Polynomregresjon | Velge den Beste Modellen
Lineær Regresjon med Python

Sveip for å vise menyen

book
Utfordring: Predikere Priser ved Bruk av Polynomregresjon

I denne utfordringen skal du bygge den samme polynomregresjonen av grad 2 som i forrige utfordring. Du må imidlertid dele datasettet inn 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 også en påminnelse om funksjonen mean_squared_error() som trengs for å beregne RMSE:

rmse = mean_squared_error(y_true, y_predicted, squared=False)
Oppgave

Swipe to start coding

  1. Tildel DataFrame med én kolonne 'age' fra df til variabelen X.
  2. Forhåndsprosesser X ved å bruke klassen PolynomialFeatures.
  3. Del datasettet ved hjelp av riktig funksjon fra sklearn.
  4. Bygg og tren en modell på treningssettet.
  5. Prediker målene for både trenings- og testsettet.
  6. Beregn RMSE for både trenings- og testsettet.
  7. 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 splitting fikk testsettet litt bedre (lettere å forutsi) datapunkter.

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 4. Kapittel 4
single

single

Spør AI

expand

Spør AI

ChatGPT

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

close

Awesome!

Completion rate improved to 5.26

book
Utfordring: Predikere Priser ved Bruk av Polynomregresjon

I denne utfordringen skal du bygge den samme polynomregresjonen av grad 2 som i forrige utfordring. Du må imidlertid dele datasettet inn 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 også en påminnelse om funksjonen mean_squared_error() som trengs for å beregne RMSE:

rmse = mean_squared_error(y_true, y_predicted, squared=False)
Oppgave

Swipe to start coding

  1. Tildel DataFrame med én kolonne 'age' fra df til variabelen X.
  2. Forhåndsprosesser X ved å bruke klassen PolynomialFeatures.
  3. Del datasettet ved hjelp av riktig funksjon fra sklearn.
  4. Bygg og tren en modell på treningssettet.
  5. Prediker målene for både trenings- og testsettet.
  6. Beregn RMSE for både trenings- og testsettet.
  7. 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 splitting fikk testsettet litt bedre (lettere å forutsi) datapunkter.

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

close

Awesome!

Completion rate improved to 5.26

Sveip for å vise menyen

some-alt