Laboratoria 4 - ewaluacja
This commit is contained in:
parent
3e4d0e7a93
commit
5f0e9bc9a9
@ -31,7 +31,7 @@
|
|||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 1,
|
"execution_count": 2,
|
||||||
"metadata": {},
|
"metadata": {},
|
||||||
"outputs": [
|
"outputs": [
|
||||||
{
|
{
|
||||||
@ -47,7 +47,8 @@
|
|||||||
" [409340.86981766]\n",
|
" [409340.86981766]\n",
|
||||||
" [278401.700237 ]\n",
|
" [278401.700237 ]\n",
|
||||||
" [301680.27997255]\n",
|
" [301680.27997255]\n",
|
||||||
" [281051.71865054]]\n"
|
" [281051.71865054]]\n",
|
||||||
|
"Błąd średniokwadratowy wynosi 39595039990.2324\n"
|
||||||
]
|
]
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
@ -57,6 +58,8 @@
|
|||||||
"\n",
|
"\n",
|
||||||
"from sklearn.linear_model import LinearRegression # Model regresji liniowej z biblioteki scikit-learn\n",
|
"from sklearn.linear_model import LinearRegression # Model regresji liniowej z biblioteki scikit-learn\n",
|
||||||
"\n",
|
"\n",
|
||||||
|
"from sklearn.metrics import mean_squared_error\n",
|
||||||
|
"\n",
|
||||||
"\n",
|
"\n",
|
||||||
"FEATURES = [\n",
|
"FEATURES = [\n",
|
||||||
" 'Powierzchnia w m2',\n",
|
" 'Powierzchnia w m2',\n",
|
||||||
@ -78,7 +81,6 @@
|
|||||||
"\n",
|
"\n",
|
||||||
"# Wczytanie danych\n",
|
"# Wczytanie danych\n",
|
||||||
"data = pd.read_csv(dataset_filename, header=0, sep='\\t')\n",
|
"data = pd.read_csv(dataset_filename, header=0, sep='\\t')\n",
|
||||||
"columns = data.columns[1:] # wszystkie kolumny oprócz pierwszej (\"cena\")\n",
|
|
||||||
"data = data[FEATURES + ['cena']] # wybór cech\n",
|
"data = data[FEATURES + ['cena']] # wybór cech\n",
|
||||||
"data = preprocess(data) # wstępne przetworzenie danych\n",
|
"data = preprocess(data) # wstępne przetworzenie danych\n",
|
||||||
"\n",
|
"\n",
|
||||||
@ -98,7 +100,12 @@
|
|||||||
"x_test = pd.DataFrame(data_test[FEATURES])\n",
|
"x_test = pd.DataFrame(data_test[FEATURES])\n",
|
||||||
"y_predicted = model.predict(x_test) # predykcja wyników na podstawie modelu\n",
|
"y_predicted = model.predict(x_test) # predykcja wyników na podstawie modelu\n",
|
||||||
"\n",
|
"\n",
|
||||||
"print(y_predicted[:10]) # Pierwsze 10 wyników"
|
"print(y_predicted[:10]) # Pierwsze 10 wyników\n",
|
||||||
|
"\n",
|
||||||
|
"# Ewaluacja\n",
|
||||||
|
"mse = mean_squared_error(y_predicted, y_expected) # Błąd średniokwadratowy na zbiorze testowym\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"Błąd średniokwadratowy wynosi \", mse)"
|
||||||
]
|
]
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
@ -126,7 +133,7 @@
|
|||||||
"name": "python",
|
"name": "python",
|
||||||
"nbconvert_exporter": "python",
|
"nbconvert_exporter": "python",
|
||||||
"pygments_lexer": "ipython3",
|
"pygments_lexer": "ipython3",
|
||||||
"version": "3.8.3"
|
"version": "3.7.6"
|
||||||
},
|
},
|
||||||
"livereveal": {
|
"livereveal": {
|
||||||
"start_slideshow_at": "selected",
|
"start_slideshow_at": "selected",
|
||||||
|
Loading…
Reference in New Issue
Block a user