Vyhodnocení výkonu modelu
A jako vždy na závěr chceme vyhodnotit výkon našeho nejlepšího modelu a zjistit, jak dobře nebo špatně si vede. Ideální by bylo provést back-testing, ale to je složitý proces, který v tomto kurzu nemáme prostor probírat.
Skóre R\(^2\) jsme už viděli – teď se podívejme na bodový graf předpovědí oproti skutečným výsledkům pomocí matplotlib. Dokonalé předpovědi by tvořily diagonální přímku z levého dolního do pravého horního rohu.
Toto cvičení je součástí kurzu
Machine Learning for Finance in Python
Pokyny k cvičení
- Použij nejlepší hodnotu
max_featuresproRandomForestRegressor(rfr), kterou jsme našli v předchozím cvičení (byla to 4). - Vytvoř předpovědi pomocí modelu pro
train_featuresatest_features. - Vykresli bodový graf skutečných cílových hodnot (train/test_targets) oproti předpovědím (train/test_predictions) a jednotlivé datové sady pojmenuj
trainatest.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Use the best hyperparameters from before to fit a random forest model
rfr = RandomForestRegressor(n_estimators=200, max_depth=3, max_features=____, random_state=42)
rfr.fit(train_features, train_targets)
# Make predictions with our model
train_predictions = rfr.predict(____)
test_predictions = ____
# Create a scatter plot with train and test actual vs predictions
plt.scatter(train_targets, train_predictions, label='train')
plt.scatter(____)
plt.legend()
plt.show()