Medir el rendimiento
Ahora que hemos ajustado nuestra red neuronal, vamos a comprobar el rendimiento para ver qué tal predice valores nuevos nuestro modelo. No hay un método .score() incorporado como en los modelos de sklearn, así que usaremos la función r2_score() de sklearn.metrics. Esto calcula la puntuación R\(^2\) dados los argumentos (y_true, y_predicted). También representaremos de nuevo nuestras predicciones frente a los valores reales. Esto dará resultados interesantes en breve (cuando implementemos nuestra propia función de pérdida personalizada).
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
Instrucciones del ejercicio
- Obtén predicciones de
model_1sobre el conjunto de prueba escalado (scaled_test_featuresytest_targets). - Imprime la puntuación R\(^2\) en el conjunto de prueba (
test_targetsytest_preds). - Representa
test_predsfrente atest_targetsen un diagrama de dispersión conplt.scatter().
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
from sklearn.metrics import r2_score
# Calculate R^2 score
train_preds = model_1.predict(scaled_train_features)
test_preds = model_1.predict(____)
print(r2_score(train_targets, train_preds))
print(r2_score(____, ____))
# Plot predictions vs actual
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()