Visualiser les résultats
Nous avons entraîné notre modèle avec la fonction de perte personnalisée, et il est temps de voir comment il se comporte. Nous allons vérifier de nouveau les valeurs de R\(^2\) avec la fonction r2_score() de sklearn, et créer un nuage de points des prédictions par rapport aux valeurs réelles avec plt.scatter(). Vous verrez, les résultats sont intéressants !
Cette activité fait partie du cours
Machine Learning pour la finance en Python
Instructions de l’exercice
- Générez des prédictions sur l'ensemble de test avec
.predict(),model_2etscaled_test_features. - Évaluez le score R\(^2\) sur les prédictions de l'ensemble de test en utilisant
test_predsettest_targets. - Tracez les cibles de l'ensemble de test par rapport aux valeurs réelles avec
plt.scatter()et indiquez l'étiquette'test'.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()