Vérifier nos résultats
Une fois que nous avons un modèle optimisé, nous voulons vérifier plus en détail ses performances. Nous avons déjà vu le score R\(^2\), mais il peut être utile de visualiser les prédictions par rapport aux valeurs réelles. Nous pouvons utiliser la méthode .predict() de notre modèle d'arbre de décision pour obtenir des prédictions sur les ensembles d'entraînement et de test.
Idéalement, on veut voir des lignes diagonales allant du bas gauche vers le haut droit. Cependant, en raison de la simplicité des arbres de décision, notre modèle ne performera pas bien sur l'ensemble de test. Par contre, il performera bien sur l'ensemble d'entraînement.
Cette activité fait partie du cours
Machine Learning pour la finance en Python
Instructions de l’exercice
- Créez un modèle
DecisionTreeRegressornommédecision_treeen utilisant 3 pour l'hyperparamètremax_depth. - Faites des prédictions sur les ensembles d'entraînement et de test (
train_featuresettest_features) avec notre modèle d'arbre de décision. - Tracez les prédictions d'entraînement et de test par rapport aux valeurs cibles réelles avec
plt.scatter(), et définissez l'argumentlabelàtestpour l'ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()