Leistung messen

Jetzt, da wir unser neuronales Netz trainiert haben, prüfen wir die Leistung, um zu sehen, wie gut unser Modell neue Werte vorhersagt. Es gibt keine eingebaute .score()-Methode wie bei sklearn-Modellen, daher verwenden wir die Funktion r2_score() aus sklearn.metrics. Diese berechnet den R\(^2\)-Score für die Argumente (y_true, y_predicted). Außerdem plotten wir unsere Vorhersagen erneut gegen die tatsächlichen Werte. Das wird bald interessante Ergebnisse liefern (sobald wir unsere eigene benutzerdefinierte Verlustfunktion implementiert haben).

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Erzeuge Vorhersagen mit model_1 auf den skalierten Testdaten (scaled_test_features und test_targets).
Gib den R\(^2\)-Score auf dem Testset aus (test_targets und test_preds).
Plotte test_preds gegenüber test_targets in einem Streudiagramm mit plt.scatter().

Interaktive praktische Übung

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

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()

Code bearbeiten und ausführen