Visualiser les valeurs prédites
Avec des données chronologiques, il est utile de visualiser les prédictions du modèle par-dessus les valeurs « réelles » utilisées pour le tester.
Dans cet exercice, après avoir séparé les données (stockées dans les variables X et y) en ensembles d'entraînement et de test, vous allez créer un modèle, puis visualiser ses prédictions par-dessus les données de test afin d'estimer sa performance.
Cette activité fait partie du cours
Machine Learning pour les données chronologiques en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
# Split our data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(____, ____,
train_size=.8, shuffle=False)
# Fit our model and generate predictions
model = Ridge()
model.fit(____, ____)
predictions = model.predict(____)
score = r2_score(y_test, predictions)
print(score)