Vyhodnocení výkonu KNN

Právě jsme si všimli několika věcí ohledně skóre KNN. Trénovací skóre začínalo vysoko a s rostoucím n klesalo, což je typické chování. Výkon na testovací sadě dosáhl vrcholu při hodnotě 5 – tu použijeme jako nastavení v konečném KNN modelu.

Jako už několikrát předtím, zkontrolujeme výkon vizuálně. Díky tomu uvidíme, jak dobře model předpovídá v různých oblastech skutečných hodnot. Předpovědi z modelu knn získáme pomocí metody .predict() aplikované na škálované příznaky. Pak použijeme plt.scatter() z knihovny matplotlib a vytvoříme bodový graf skutečných hodnot oproti předpovězeným.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Nastav n_neighbors v KNeighborsRegressor na nejlepší hodnotu 5 (zjištěnou v předchozím cvičení).
Získej předpovědi pomocí modelu knn z scaled_train_features a scaled_test_features.
Vytvoř bodový graf test_targets oproti test_predictions a označ ho jako test.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the model with the best-performing n_neighbors of 5
knn = KNeighborsRegressor(____)

# Fit the model
knn.fit(scaled_train_features, train_targets)

# Get predictions for train and test sets
train_predictions = ____
test_predictions = ____

# Plot the actual vs predicted values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Upravit a spustit kód