Mesurer la performance
Maintenant que nous avons entraîné notre réseau de neurones, vérifions la performance pour voir à quel point le modèle prédit bien de nouvelles valeurs. Il n'existe pas de méthode intégrée .score() comme pour les modèles sklearn, donc nous allons utiliser la fonction r2_score() de sklearn.metrics. Celle-ci calcule la cote R\(^2\) à partir des arguments (y_true, y_predicted). Nous allons aussi tracer de nouveau nos prédictions par rapport aux valeurs réelles. Vous verrez bientôt des résultats intéressants (une fois que nous aurons implanté notre propre fonction de perte personnalisée).
Cette activité fait partie du cours
Machine Learning pour la finance en Python
Instructions de l’exercice
- Obtenez les prédictions de
model_1sur l'ensemble de test mis à l'échelle (scaled_test_featuresettest_targets). - Affichez la cote R\(^2\) sur l'ensemble de test (
test_targetsettest_preds). - Tracez
test_predspar rapport àtest_targetsdans un nuage de points avecplt.scatter().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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()