Zkontroluj výsledky

Jakmile máme optimalizovaný model, chceme podrobněji zkontrolovat, jak si vede. Skóre R\(^2\) už jsme viděli, ale může být užitečné zobrazit predikce v porovnání se skutečnými hodnotami v grafu. K získání predikcí na trénovací a testovací sadě použijeme metodu .predict() našeho modelu rozhodovacího stromu.

Ideálně bychom chtěli vidět diagonální přímky směřující zleva dolů doprava nahoru. Kvůli jednoduchosti rozhodovacích stromů ale náš model na testovací sadě příliš dobře nedopadne. Na trénovací sadě si naopak povede dobře.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř model DecisionTreeRegressor s názvem decision_tree a nastav hyperparametr max_depth na hodnotu 3.
Pomocí modelu rozhodovacího stromu proveď predikce na trénovací a testovací sadě (train_features a test_features).
Pomocí plt.scatter() vykresli predikce pro trénovací i testovací sadu oproti skutečným cílovým hodnotám a pro testovací sadu nastav argument label na hodnotu test.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Use the best max_depth of 3 from last exercise to fit a decision tree
decision_tree = ____
decision_tree.fit(train_features, train_targets)

# Predict values for train and test
train_predictions = decision_tree.predict(train_features)
test_predictions = ____

# Scatter the predictions vs actual values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.show()

Upravit a spustit kód