Vorhergesagte Werte visualisieren
Bei Zeitreihendaten ist es hilfreich, die Modellvorhersagen über die „tatsächlichen“ Werte zu legen, die zur Bewertung des Modells verwendet werden.
In dieser Übung teilst du die Daten (gespeichert in den Variablen X und y) in Trainings- und Testdaten auf, baust ein Modell und visualisierst anschließend die Vorhersagen des Modells über den Testdaten, um die Modellleistung einzuschätzen.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
# Split our data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(____, ____,
train_size=.8, shuffle=False)
# Fit our model and generate predictions
model = Ridge()
model.fit(____, ____)
predictions = model.predict(____)
score = r2_score(y_test, predictions)
print(score)