Gabarito disponível
Texto-base:
X, y = load_and_preprocess_data(“data.csv”)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred, squared=False)
print(f”MAE: {mae}”)
print(f”MSE: {mse}”)
print(f”RMSE: {rmse}”)
joblib.dump(model, “linear_regression_model.pkl”)
A partir do código precedente, considerando que todas as bibliotecas, dados e módulos necessários para a execução sem qualquer tipo de erro ou incompletude já tenham sido importados e configurados previamente, julgue os itens a seguir.
A linha mae = mean_absolute_error(y_test, y_pred) calcula a raiz quadrada do erro quadrático médio, fornecendo uma métrica de erro que é fácil de interpretar e que dá uma ideia da precisão das previsões do modelo.
X, y = load_and_preprocess_data(“data.csv”)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred, squared=False)
print(f”MAE: {mae}”)
print(f”MSE: {mse}”)
print(f”RMSE: {rmse}”)
joblib.dump(model, “linear_regression_model.pkl”)
A partir do código precedente, considerando que todas as bibliotecas, dados e módulos necessários para a execução sem qualquer tipo de erro ou incompletude já tenham sido importados e configurados previamente, julgue os itens a seguir.
A linha mae = mean_absolute_error(y_test, y_pred) calcula a raiz quadrada do erro quadrático médio, fornecendo uma métrica de erro que é fácil de interpretar e que dá uma ideia da precisão das previsões do modelo.