Revisa nuestros resultados
Una vez que tenemos un modelo optimizado, queremos comprobar con más detalle cómo está funcionando. Ya vimos la puntuación R\(^2\), pero también puede ser útil ver las predicciones frente a los valores reales en una gráfica. Podemos usar el método .predict() de nuestro modelo de árbol de decisión para obtener predicciones en los conjuntos de entrenamiento y prueba.
Idealmente, queremos ver líneas diagonales desde la esquina inferior izquierda hasta la superior derecha. Sin embargo, debido a la simplicidad de los árboles de decisión, nuestro modelo no va a rendir bien en el conjunto de prueba. Pero sí lo hará en el conjunto de entrenamiento.
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
Instrucciones del ejercicio
- Crea un modelo
DecisionTreeRegressorllamadodecision_treeusando 3 para el hiperparámetromax_depth. - Haz predicciones sobre los conjuntos de entrenamiento y prueba (
train_featuresytest_features) con nuestro modelo de árbol de decisión. - Dibuja un diagrama de dispersión de las predicciones de entrenamiento y de prueba frente a los valores reales del objetivo con
plt.scatter(), y establece el argumentolabeligual atestpara el conjunto de prueba.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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()