Блог

Этот код, который работает нормально и ожидаемо. Создание функций подгонки, прогнозирования и подсчета потерь:

     features = set(df_train_cat.columns)
    features.remove('SalePrice')
    features.remove('Id')

    X_train_cat = df_train_cat[features].values
    y_train_cat = df_train_cat.SalePrice.values

    X_train, X_val, y_train, y_val = train_test_split( X_train_cat, y_train_cat, test_size=0.33,                         random_state=17)


    regression = linear_model.Ridge(alpha=.5, random_state = 17)
    regression.fit(X_train,y_train)
    predictions = regression.predict(X_val)

    rmse = (mean_squared_error(y_val, predictions))**(1/2)

    mae = mean_absolute_error(y_val, predictions)

    print('RMSE on run = {}, MAE = {}'.format(rmse, mae))
    -------------------------------------------------------
    in returns: 
    RMSE on run = 27696.648368899852, MAE = 17553.925337213957
  

Но когда я попытался обернуть его в функцию, результаты получились другими:

 def regress_without_uncorrelated(delete_feture_list, data):
    features = set(data.columns)

    delete_feture_list = delete_feture_list   ['SalePrice', 'Id']
    if len(delete_feture_list) > 2:
        features.remove(set(delete_feture_list))


    X = data[features].values
    y = data.SalePrice.values

    X_train, X_val, y_train, y_val = train_test_split( X, y, test_size=0.33, random_state=17)

    regression = linear_model.Ridge(alpha=.5, random_state = 17)
    regression.fit(X_train,y_train)
    predictions = regression.predict(X_val)


    rmse = (mean_squared_error(y_val, predictions))**(1/2)
    mae = mean_absolute_error(y_val, predictions)
    print('rmse = {}, mae = {}'.format(rmse,  mae))
    return rmse, mae
    -------------------------------------
    result is:         
    rmse = 2.760396036595275e-08, mae = 1.7484699770097167e-08
  

Вопросы:

1. Почему результат возвращается с e? Как сделать так, чтобы это было как в первом блоке?
2. Почему порядок потерь изменяется при одних и тех же данных с фиксированным random_state?

Проблема была в методе set.remove(), который не работает с iterable .