Mira cómo ha funcionado el ensemble
Vamos a comprobar el rendimiento de nuestro modelo en ensemble para ver cómo va. Deberíamos ver aproximadamente una media de las puntuaciones R\(^2\), así como un diagrama de dispersión que sea una mezcla de las predicciones de nuestros modelos anteriores. La forma de pajarita del modelo con función de pérdida personalizada debería seguir siendo un poco visible, pero los bordes cerca de x=0 deberían ser más suaves.
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
Instrucciones del ejercicio
- Evalúa las puntuaciones R\(^2\) en los conjuntos de entrenamiento y prueba. Usa la función
r2_score()desklearn(ya importada) contrain_targetsytrain_predsdel ejercicio anterior. - Dibuja las predicciones de entrenamiento y prueba frente a los valores reales con
plt.scatter().
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
from sklearn.metrics import r2_score
# Evaluate the R^2 scores
print(r2_score(____, ____))
print(r2_score(test_targets, test_preds))
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(____, ____, ____)
plt.scatter(test_preds, test_targets, label='test')
plt.legend(); plt.show()