Tema 4.8 - Cálculo del MSE con Scikit-Learn

Cálculo del MSE con Scikit-Learn

Anteriormente en esta misión, hemos calculado los valores MSE y RMSE utilizando los operadores aritméticos de pandas para comparar cada valor predicho con el valor real de la columna del precio (price) de nuestro conjunto de pruebas, como alternativa, podemos utilizar la función sklearn, metrics.mean_squared_error(). Una vez que se familiarice con los diferentes conceptos de aprendizaje automático, la unificación de su flujo de trabajo utilizando scikit-learn le ayudará a ahorrar mucho tiempo y evitar errores.

La función mean_squared_error() toma 2 entradas:

• Objeto tipo lista, que representa los valores verdaderos
• Objeto tipo lista, que representa los valores predichos usando el modelo

Para esta función, no mostraremos ningún código de ejemplo y dejaremos que usted entienda la función desde la propia documentación para calcular los valores MSE y RMSE para las predicciones  que acabamos de hacer.

Instrucciones

• Utilice la función mean_squared_error para calcular el valor MSE de las predicciones que hemos realizado en la pantalla anterior
• Asigne el valor MSE a two_features_mse
• Calcule el valor RMSE tomando la raíz cuadrada del valor MSE y asígnelo a two_features_rmse
• Mostrar ambas puntuaciones de error utilizando la función de impresión(print)

Soluciones

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

from sklearn.metrics import mean_squared_error

train_columns = ['accommodates', 'bathrooms']
knn = KNeighborsRegressor (n_neighbors=5, algorithm='brute",
metric='euclidean')
knn.fit(train_df [train_colums], train_df['price'])
predictions = knn.predict(test_df[train_columns])
from sklearn.metrics import mean_squared_error 

two_features_mse = mean_squared_error(test_df[ 'price"],
predictions)
two_features_rmse = two_features_mse ** (1/2)
print(two_features_mse)