Unsere Ergebnisse auswerten

Sobald wir unseren linearen Fit und Vorhersagen haben, wollen wir prüfen, wie gut die Vorhersagen sind, um zu entscheiden, ob unser Modell etwas taugt. Ideal wäre es, jede Art von Handelsstrategie rückzutesten. Das ist jedoch komplex und oft zeitaufwendig.

Schneller verstehst du die Leistung unseres Modells über Regressionsmetriken wie R\(^2\) und indem du die Vorhersagen den tatsächlichen Zielwerten gegenüberstellst. Perfekte Vorhersagen würden in einem solchen Plot eine gerade, diagonale Linie bilden. So können wir leicht abschätzen, wie sich unsere Vorhersagen in verschiedenen Bereichen der Kursänderungen schlagen. Mit matplotlib's .scatter()-Funktion können wir Streudiagramme der Vorhersagen und Ist-Werte erstellen.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Zeige test_predictions vs. test_targets in einem Streudiagramm, mit 20 % Opazität für die Punkte (verwende dazu den Parameter alpha).
Plotte die Linie perfekter Vorhersagen mit np.arange() und den Minimal- und Maximalwerten der x-Achse (xmin, xmax).
Blende die Legende im Plot mit plt.legend() ein.

Interaktive praktische Übung

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

# 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()

Code bearbeiten und ausführen