Skip to content

10.2. Avaliação do Modelo Otimizado

from sklearn.metrics import mean_squared_error, r2_score

y_pred_best = best_tree.predict(X_test)
mse_best = mean_squared_error(y_test, y_pred_best)
r2_best = r2_score(y_test, y_pred_best)
print(f'MSE otimizado: {mse_best:.2f}')
print(f'R² otimizado: {r2_best:.2f}')

O modelo otimizado apresenta MSE significativamente menor e R² elevado, indicando desempenho excelente e previsões muito precisas.

10.3. Comentário sobre a Otimização

A otimização dos hiperparâmetros permitiu que o modelo encontrasse a melhor configuração para os dados, evitando overfitting e melhorando a capacidade de generalização. Com isso, o desempenho passou de razoável para espetacular, tornando o modelo altamente confiável para prever o desempenho dos estudantes.

11. Avaliação do Modelo

Avaliação do modelo otimizado:

from sklearn.metrics import mean_squared_error, r2_score
y_pred_best = best_tree.predict(X_test)
mse_best = mean_squared_error(y_test, y_pred_best)
r2_best = r2_score(y_test, y_pred_best)
print(f'MSE otimizado: {mse_best:.2f}')
print(f'R² otimizado: {r2_best:.2f}')

O modelo otimizado apresenta MSE baixo e R² elevado, indicando desempenho excelente e previsões muito precisas.