KNN / 09 · EXERCICE
Évaluation finale après la comparaison
Une fois la méthode choisie sur le développement, elle est ajustée sur tout le développement puis évaluée une seule fois sur le test réservé.
Cet exemple évalue un KNN standardisé fixé à cinq voisins. Son résultat final ne doit pas servir à essayer plusieurs variantes et ne garder que celle qui réussit le mieux sur ce test.
Exemple expliqué
- 1
model = make_pipeline(StandardScaler(), KNeighborsRegressor(n_neighbors=5)) model.fit(X_dev, y_dev)Ajustement final du traitement complet sur le développement.
- 2
y_hat = model.predict(X_final)Première utilisation des caractéristiques du test final pour obtenir des prédictions.
- 3
root_mean_squared_error(y_final, y_hat) 100*mean_absolute_percentage_error(y_final, y_hat)RMSE en unités de prix et MAPE en %. Aucun prix n’est nul dans ce fichier.
Code à compléter
Ajuster le Pipeline KNN standardisé sur le développement, calculer y_hat, rmse et mape sur le test final, puis afficher les deux métriques.
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.