ÉVALUATION / 08 · EXERCICE
cross_val_score et le signe des erreurs
cross_val_score entraîne un clone du modèle pour chaque pli et renvoie un score par validation.
La convention de scikit-learn est « plus grand = meilleur ». Une métrique d’erreur est donc précédée de neg_ : les scores bruts sont négatifs. Le signe − devant le résultat redonne des RMSE positives.
Exemple expliqué
- 1
cv = KFold(n_splits=5, shuffle=True, random_state=42)Cinq plis reproductibles.
- 2
scores = -cross_val_score(LinearRegression(), X, y, cv=cv, scoring="neg_root_mean_squared_error", n_jobs=1)Une RMSE positive par pli ; les calculs restent séquentiels dans le navigateur.
- 3
np.mean(scores), np.std(scores)Résumé des erreurs des cinq plis. Avec scoring="r2", aucune inversion de signe n’est nécessaire.
Code à compléter
Créer cv et scores, puis afficher les cinq RMSE, leur moyenne et leur écart type.
Saisie autonome · crédit complet après réussite
Le résultat apparaîtra ici.
Session Python
Les variables restent disponibles entre les pages. Un rechargement efface les variables ; le code et l’utilisation de l’aide restent enregistrés dans cet onglet.