Vyhodnocení výsledků

Jakmile máme lineární fit a předpovědi, chceme zjistit, jak přesné jsou – abychom mohli posoudit, jestli náš model funguje dobře. Ideálně bychom měli každou obchodní strategii podrobit back-testingu. To je ale komplexní a časově náročný proces.

Rychlým způsobem, jak pochopit výkon modelu, je podívat se na evaluační metriky regrese, jako je R\(^2\), a vykreslit předpovědi oproti skutečným hodnotám cílové proměnné. Dokonalé předpovědi by v takovém grafu tvořily přímou diagonální čáru – díky tomu snadno odhadneme, jak si model vede v různých oblastech cenových změn. K vytvoření scatter plotů předpovědí a skutečných hodnot můžeme využít funkci .scatter() z knihovny matplotlib.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Zobraz test_predictions vs test_targets ve scatter plotu s 20% neprůhledností bodů (nastav neprůhlednost pomocí parametru alpha).
Vykresli linii dokonalých předpovědí pomocí np.arange() a minimální a maximální hodnoty z osy x (xmin, xmax).
Zobraz legendu grafu pomocí plt.legend().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Scatter the predictions vs the targets with 20% opacity
plt.scatter(train_predictions, train_targets, alpha=0.2, color='b', label='train')
plt.scatter(____, ____, ____, color='r', label='test')

# Plot the perfect prediction line
xmin, xmax = plt.xlim()
plt.plot(np.arange(xmin, xmax, 0.01), np.arange(____, ____, 0.01), c='k')

# Set the axis labels and show the plot
plt.xlabel('predictions')
plt.ylabel('actual')
____  # show the legend
plt.show()

Upravit a spustit kód