Tema 6.2 - Validación de la Retención

Ahora que hemos dividido nuestro conjunto de datos en 2 marcos de datos (dataframes), vamos a:

• Entrenar un modelo de k-nearest neighbors en la primera mitad
• Probar este modelo en la segunda mitad
  
• Entrenar un modelo de k-nearest neighbors en lsegunda mitad
  
• Probar este modelo en la segunda mitad
  

Instrucciones

• Entrenar un modelo de k-nearest neighbors model utilizando el algoritmo por defecto (auto) y utilizar el numero por defecto (5) que:

1. Utilize la columna de accommodates de train_one para entrenamiento
2. Pruebe en test_one

• Asigna el valor de RMSE resultante a iteration_one_rmse
  
• Entrenar un modelo de k-nearest neighbors model utilizando el algoritmo por defecto (auto) y utilizar el numero por defecto (5) que:

1. Utilize la columna de accommodates de train_two para entrenamiento
2. Pruebe en test_two

• Asigna el valor de RMSE resultante a iteration_two_rmse
  
• Utiliza numpy.mean() para calcular la media de los 2 valores de RMSE y la asigna a avg_rmse

Soluciones

from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_squared_error train_one = split_one test_one = split_two train_two = split_two test_two = split_one #First half model = KNeighborsRegressor() model.fit(train_one[ ["acconmodates"]], train_one["price"]) test_one["predicted_price"] = model .predict(test_one[["accommodates"]]) iteration_one_rmse = mean_squared_error(test_one["price"], test_one["predicted_price"])**(1/2) #Second half model.fit(train_two[["accommodates"]], train_two("price"]) test_two["predicted_price model.predict(test_two[["acconmodates"]]) iteration_two_rmse = mean_squared_error (test_two[" test_two["predicted_price"])**(1/2) avg_rmse = np.mean([iteration_two_rmse, iteration_one_rmse])