Měření výkonu modelu

Teď, když jsme natrénovali naši neuronovou síť, pojďme se podívat na výkon modelu a zjistit, jak dobře predikuje nové hodnoty. Na rozdíl od modelů z sklearn zde není žádná vestavěná metoda .score(), takže použijeme funkci r2_score() z sklearn.metrics. Ta vypočítá skóre R\(^2\) na základě argumentů (y_true, y_predicted). Predikce také znovu vykreslíme oproti skutečným hodnotám — jakmile implementujeme vlastní ztrátovou funkci, získáme zajímavé výsledky.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Získej predikce z modelu model_1 na škálovaných testovacích datech (scaled_test_features a test_targets).
Vypiš skóre R\(^2\) na testovací sadě (test_targets a test_preds).
Vykresli test_preds oproti test_targets jako bodový graf pomocí plt.scatter().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.metrics import r2_score

# Calculate R^2 score
train_preds = model_1.predict(scaled_train_features)
test_preds = model_1.predict(____)
print(r2_score(train_targets, train_preds))
print(r2_score(____, ____))

# Plot predictions vs actual
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Upravit a spustit kód