Leistung bewerten
Zum Schluss wollen wir – wie immer – die Leistung unseres besten Modells auswerten, um zu prüfen, wie gut oder schlecht wir abschneiden. Idealerweise macht man ein Backtesting, aber das ist ein aufwendiger Prozess, für den in diesem Kurs kein Platz ist.
Wir haben uns bereits die R\(^2\)-Werte angesehen. Jetzt werfen wir mit matplotlib einen Blick auf das Streudiagramm von Vorhersagen gegenüber tatsächlichen Ergebnissen. Perfekte Vorhersagen würden einer Diagonalen von links unten nach rechts oben entsprechen.
Diese Übung ist Teil des Kurses
<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>Übungsanweisungen
- Verwende die beste Anzahl für
max_featuresin unseremRandomForestRegressor(rfr), die wir in der vorherigen Übung gefunden haben (sie war 4). - Erzeuge Vorhersagen mit dem Modell anhand der
train_featuresundtest_features. - Stelle die tatsächlichen Zielwerte (train/test_targets) gegenüber den Vorhersagen (train/test_predictions) als Streudiagramm dar und beschrifte die Datensätze mit
trainundtest.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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()