Wissensbeurteilung

Abgeschlossen

Beantworten Sie die folgenden Fragen, um das Gelernte zu überprüfen.

1.

Sie verwenden scikit-learn, um ein Regressionsmodell aus einem Dataset mit Umsatzdaten zu trainieren. Das Modell soll auswertbar sein, um sicherzustellen, dass es mit neuen Daten genaue Vorhersagen liefert. Wie sollten Sie vorgehen?

Sie verwenden alle Daten, um das Modell zu trainieren. Anschließend verwenden Sie alle Daten, um es auszuwerten.

Sie trainieren das Modell nur mithilfe der Featurespalten und werten es dann nur mit der Bezeichnungsspalte aus.

Sie teilen die Daten nach dem Zufallsprinzip in zwei Teilmengen auf. Sie verwenden eine Teilmenge, um das Modell zu trainieren, und die andere für die Auswertung.

2.

Sie haben mithilfe der LinearRegression-Klasse in scikit-learn ein Modellobjekt erstellt. Was müssen Sie tun, um das Modell zu trainieren?

Sie rufen die predict()-Methode des Modellobjekts auf und geben die Arrays mit Trainingsfeatures und -bezeichnungen an.

Sie rufen die fit()-Methode des Modellobjekts auf und geben die Arrays mit Trainingsfeatures und -bezeichnungen an.

Sie rufen die score()-Methode des Modellobjekts auf und geben die Arrays mit Trainingsfeatures und Testfeatures an.

3.

Sie trainieren ein Regressionsmodell mithilfe von scikit-learn. Während Sie es mit Testdaten auswerten, stellen Sie fest, dass das Modell eine R-Quadrat-Metrik von 0,95 erreicht. Was sagt diese Metrik über das Modell aus?

Das Modell erklärt die Abweichung zwischen vorhergesagten und tatsächlichen Werten größtenteils.

Das Modell ist zu 95 % genau.

Im Durchschnitt sind Vorhersagen um 0,95 höher als die tatsächlichen Werte.

Sie müssen alle Fragen beantworten, bevor Sie Ihre Arbeit überprüfen können.