Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utmaning: Förutsäga Priser med Polynomregression | Välja Den Bästa Modellen
Linjär Regression med Python

Svep för att visa menyn

book
Utmaning: Förutsäga Priser med Polynomregression

För denna utmaning ska du bygga samma polynomregression av grad 2 som i föregående utmaning. Du behöver dock dela upp datamängden i en träningsuppsättning och en testuppsättning för att beräkna RMSE för båda dessa uppsättningar. Detta krävs för att avgöra om modellen överanpassar eller underanpassar.
Här är en påminnelse om funktionen train_test_split() som du kommer att använda.

Och även en påminnelse om funktionen mean_squared_error() som behövs för att beräkna RMSE:

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

Swipe to start coding

  1. Tilldela DataFrame med en enda kolumn 'age' från df till variabeln X.
  2. Förbehandla X med hjälp av klassen PolynomialFeatures.
  3. Dela upp datasettet med lämplig funktion från sklearn.
  4. Bygg och träna en modell på träningsuppsättningen.
  5. Förutsäg målvärden för både tränings- och testuppsättning.
  6. Beräkna RMSE för både tränings- och testuppsättning.
  7. Skriv ut sammanfattningstabellen.

Lösning

När du har slutfört uppgiften kommer du att märka att test-RMSE är ännu lägre än tränings-RMSE. Vanligtvis visar modeller inte bättre resultat på osedda instanser. Här är skillnaden mycket liten och beror på slumpen. Vår datamängd är relativt liten, och vid uppdelningen fick testuppsättningen något bättre (lättare att förutsäga) datapunkter.

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 4
single

single

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

close

Awesome!

Completion rate improved to 5.26

book
Utmaning: Förutsäga Priser med Polynomregression

För denna utmaning ska du bygga samma polynomregression av grad 2 som i föregående utmaning. Du behöver dock dela upp datamängden i en träningsuppsättning och en testuppsättning för att beräkna RMSE för båda dessa uppsättningar. Detta krävs för att avgöra om modellen överanpassar eller underanpassar.
Här är en påminnelse om funktionen train_test_split() som du kommer att använda.

Och även en påminnelse om funktionen mean_squared_error() som behövs för att beräkna RMSE:

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

Swipe to start coding

  1. Tilldela DataFrame med en enda kolumn 'age' från df till variabeln X.
  2. Förbehandla X med hjälp av klassen PolynomialFeatures.
  3. Dela upp datasettet med lämplig funktion från sklearn.
  4. Bygg och träna en modell på träningsuppsättningen.
  5. Förutsäg målvärden för både tränings- och testuppsättning.
  6. Beräkna RMSE för både tränings- och testuppsättning.
  7. Skriv ut sammanfattningstabellen.

Lösning

När du har slutfört uppgiften kommer du att märka att test-RMSE är ännu lägre än tränings-RMSE. Vanligtvis visar modeller inte bättre resultat på osedda instanser. Här är skillnaden mycket liten och beror på slumpen. Vår datamängd är relativt liten, och vid uppdelningen fick testuppsättningen något bättre (lättare att förutsäga) datapunkter.

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

close

Awesome!

Completion rate improved to 5.26

Svep för att visa menyn

some-alt