Évaluer la performance du KNN

Nous venons d'observer quelques éléments à propos de nos scores KNN. D'une part, les scores d'entraînement ont commencé élevés puis ont diminué avec l'augmentation de n, ce qui est typique. La performance sur l'ensemble de test a toutefois atteint un sommet à 5, et nous utiliserons donc ce réglage dans le modèle KNN final.

Comme nous l'avons fait à quelques reprises, nous allons vérifier notre performance visuellement. Cela nous aide à voir dans quelles zones de valeurs réelles le modèle prédit bien. Nous obtiendrons des prédictions de notre modèle knn à l'aide de la méthode .predict() appliquée à nos caractéristiques mises à l'échelle. Ensuite, nous utiliserons plt.scatter() de matplotlib pour créer un nuage de points des valeurs réelles par rapport aux valeurs prédites.

Cette activité fait partie du cours

Machine Learning pour la finance en Python

Voir le cours

Instructions de l’exercice

Réglez n_neighbors dans KNeighborsRegressor à la meilleure valeur, soit 5 (trouvée à l'exercice précédent).
Obtenez des prédictions avec le modèle knn à partir de scaled_train_features et scaled_test_features.
Créez un nuage de points de test_targets par rapport à test_predictions et donnez-lui l'étiquette test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the model with the best-performing n_neighbors of 5
knn = KNeighborsRegressor(____)

# Fit the model
knn.fit(scaled_train_features, train_targets)

# Get predictions for train and test sets
train_predictions = ____
test_predictions = ____

# Plot the actual vs predicted values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Modifier et exécuter le code