Question

我已经满足了方程式。现在我想要RMSE值

q3_1=data1[['bedrooms', 'bathrooms', 'sqft_living', 'sqft_lot', 'floors', 'zipcode']]

q3_2=data1[['bedrooms', 'bathrooms', 'sqft_living', 'sqft_lot', 'floors','zipcode','condition','grade','waterfront','view','sqft_above','sqft_basement','yr_built','yr_renovated',              
'lat', 'long','sqft_living15','sqft_lot15']]

reg = LinearRegression()

reg.fit(q3_1,data1.price)

reg.fit(q3_2,data1.price)

我无法从这里继续。在这两种情况下，我都需要RMSE值。

Answer 1

据我了解，您正在Google Colab上使用TensorFlow。

我不确定您的LinearRegression对象是什么，但是我想它是一个具有单个节点的Keras模型。

因此，我有一个问题，如何使用具有不同架构的数据集训练同一个模型（您的reg实例）-一个包含6列，另一个包含16列？

顺便说一句，在训练/拟合过程中，keras可以为您提供纪元的MSE，如果您提供验证数据集，还可以为您提供验证MSE。最后，您可以使用evaluate方法，

返回模型[...]的损失值和指标值

只需使用“ mean_squared_error”指标即可。

编辑

在使用scikit-learn时，您必须自己照顾该指标。您可以使用predict方法从训练有素的模型针对数据集获取预测。然后，有一个mean_squared_error度量标准可以直接使用。

train_x, train_y = data1.features[:-100], data1.price[:-100]
test_x, test_y = data1.features[-100:], data1.price[-100:]

reg = LinearRegression()
reg.fit(train_x, train_y)

predictions = reg.predict(test_x)
mse = sklearn.metrics.mean_squared_error(test_y, predictions)
print("RMSE: %s" % math.sqrt(mse))

如何获得RMSE值

1 个答案:

编辑