Unsere Ergebnisse prüfen

Sobald wir ein optimiertes Modell haben, wollen wir genauer prüfen, wie es sich schlägt. Den R\(^2\)-Score haben wir schon gesehen, aber es ist hilfreich, die Vorhersagen im Vergleich zu den tatsächlichen Werten zu plotten. Mit der Methode .predict() unseres Entscheidbaum-Modells können wir Vorhersagen für den Trainings- und den Testsatz erhalten.

Im Idealfall sehen wir diagonale Linien von links unten nach rechts oben. Wegen der Einfachheit von Entscheidbäumen wird unser Modell jedoch auf dem Testsatz nicht gut abschneiden. Auf dem Trainingssatz dagegen wird es gut funktionieren.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Erzeuge ein DecisionTreeRegressor-Modell namens decision_tree und setze den Hyperparameter max_depth auf 3.
Erstelle mit unserem Entscheidbaum-Modell Vorhersagen für den Trainings- und den Testsatz (train_features und test_features).
Streue die Trainings- und Testvorhersagen gegenüber den tatsächlichen Zielwerten mit plt.scatter() und setze für den Testsatz das Argument label auf test.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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()

Code bearbeiten und ausführen