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
<Kurs>Maschinelles Lernen für Zeitreihendaten in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
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)