Visualiza los resultados
Ya hemos ajustado nuestro modelo con la función de pérdida personalizada y es momento de ver cómo está funcionando. Comprobaremos de nuevo los valores de R\(^2\) con la función r2_score() de sklearn, y crearemos un diagrama de dispersión de predicciones frente a valores reales con plt.scatter(). ¡Esto nos dará resultados interesantes!
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
Instrucciones del ejercicio
- Crea predicciones sobre el conjunto de prueba con
.predict(),model_2yscaled_test_features. - Evalúa la puntuación R\(^2\) en las predicciones del conjunto de prueba usando
test_predsytest_targets. - Grafica los objetivos del conjunto de prueba frente a los valores reales con
plt.scatter()y ponle la etiqueta'test'.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Evaluate R^2 scores
train_preds = model_2.predict(scaled_train_features)
test_preds = ____
print(r2_score(train_targets, train_preds))
print(____)
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____) # plot test set
plt.legend(); plt.show()