Oceń swój pierwszy model
Odczytywanie działania metody score modelu
Oceń swój pierwszy model to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Czy model jest dobry?
Wytrenowanie modelu to dopiero połowa zadania. Następnie trzeba zadać prawdziwe pytanie: jak dobrze model faktycznie przewiduje? 🧐
Metoda score
Każdy estymator udostępnia metodę score, która zwraca jedną liczbę podsumowującą jakość działania. Jedno wywołanie, szybki werdykt.
model.score(X_test, y_test)Score potrzebuje prawdy
Przekazują Państwo zarówno cechy, jak i rzeczywiste odpowiedzi, aby score mógł porównać predykcje z tym, co naprawdę się wydarzyło.
Co zwraca dla regresji
Dla modeli regresyjnych score zwraca R kwadrat: część zmienności zmiennej docelowej, którą model potrafi wyjaśnić.
Interpretacja R kwadrat
Wartość R kwadrat równa 1,0 oznacza idealne dopasowanie, a 0,0 — wynik nielepszy niż zgadywanie średniej. Im wyższa wartość, tym lepiej, choć może ona być nawet ujemna.
Testowanie zamiast ponownego używania danych treningowych
Ocenę należy zawsze przeprowadzać na danych, których model wcześniej nie widział. Wysoki wynik treningowy przy niskim wyniku testowym to klasyczny sygnał przeuczenia.
Poza metodą wbudowaną
Moduł metrics oferuje wiele miar pozwalających na dokładniejszą ocenę. Umożliwia on bezpośrednie porównanie wartości rzeczywistych i przewidzianych za pomocą wybranej funkcji.
from sklearn.metrics import mean_absolute_errorŚredni błąd w jednostkach zmiennej
Średni błąd bezwzględny informuje o typowej pomyłce wyrażonej w jednostkach samej zmiennej docelowej. Jest wyjątkowo łatwy do wyjaśnienia każdemu odbiorcy.
mean_absolute_error(y_test, y_pred)Klasyfikatory są oceniane inaczej
Dla klasyfikatorów metoda score zwraca dokładność: odsetek etykiet przewidzianych poprawnie. Ta sama nazwa metody, ale inne znaczenie.
Jedna liczba to dopiero początek
Pojedyncza metryka nigdy nie przedstawia pełnego obrazu. Zanim zaufają Państwo modelowi, należy połączyć ją z wykresami i kilkoma innymi miarami.
Porównanie z punktem odniesienia
Wynik ma znaczenie dopiero w porównaniu z punktem odniesienia, na przykład strategią polegającą na ciągłym przewidywaniu średniej. Pokonanie tak prostego zgadywania dowodzi rzeczywistej wartości modelu.
Szybkie sprawdzenie
Co zwraca score dla modelu regresyjnego?
Podsumowanie
Proszę używać score do szybkiego uzyskania R kwadrat, sięgać po metryki takie jak MAE, gdy potrzebne są szczegóły, i zawsze testować model na niewidzianych danych w porównaniu z punktem odniesienia. 🏁
Ucz się Python dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 30
- Lekcje
- 120
Często zadawane pytania
Czy lekcja „Oceń swój pierwszy model” jest bezpłatna?
Tak — pełny tekst „Oceń swój pierwszy model” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Oceń swój pierwszy model”?
Odczytywanie działania metody score modelu Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Oceń swój pierwszy model”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Kontrakt fit i predict
- Cechy X i zmienna docelowa y
- Trenowanie regresji liniowej
- Oceń swój pierwszy model