Tento prohlížeč se už nepodporuje.
Upgradujte na Microsoft Edge, abyste mohli využívat nejnovější funkce, aktualizace zabezpečení a technickou podporu.
Odpovězte na následující otázky a zkontrolujte své učení.
K trénování regresního modelu z datové sady prodejních dat používáte scikit-learn. Chcete být schopni model vyhodnotit, abyste měli jistotu, že přesně předpovídá s novými daty. Co byste měli udělat?
K trénování modelu použijte všechna data. Pak k vyhodnocení použijte všechna data.
Vytrénujte model pouze pomocí sloupců funkcí a pak ho vyhodnoťte pouze pomocí sloupce popisku.
Data rozdělte náhodně na dvě podmnožina. K trénování modelu použijte jednu podmnožinu a druhou k jeho vyhodnocení.
Vytvořili jste objekt modelu pomocí třídy scikit-learn LinearRegression. Co byste měli udělat pro trénování modelu?
Volání metody predict() objektu modelu, určení trénovací funkce a pole popisků
Volání metody fit() objektu modelu, určení trénovací funkce a pole popisků
Volání metody score() objektu modelu, určení trénovací funkce a pole testovacích funkcí
Regresní model vytrénujete pomocí knihovny scikit-learn. Když je vyhodnotíte pomocí testovacích dat, zjistíte, že model dosáhne metriky R 0,95. Co vám tato metrika říká o modelu?
Model vysvětluje většinu rozptylu mezi predikovanými a skutečnými hodnotami.
Model je přesný o 95 %
V průměru jsou předpovědi vyšší než skutečné hodnoty 0,95.
Před kontrolou vaší práce musíte odpovědět na všechny dotazy.
Byla tato stránka užitečná?
Potřebujete pomoct s tímto tématem?
Chcete vyzkoušet použití funkce Zeptat se a Učit se k objasnění nebo nechcete provést tímto tématem?