Vérifier nos résultats
Une fois notre modèle optimisé, nous voulons examiner 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, nous voulons voir des lignes diagonales du coin inférieur gauche vers le coin supérieur droit. Cependant, en raison de la simplicité des arbres de décision, notre modèle ne sera pas performant sur l'ensemble de test. En revanche, il fonctionnera bien sur l'ensemble d'entraînement.
Cet exercice fait partie du cours
<cours>Machine Learning pour la finance en Python</cours>Instructions de l’exercice
- Créez un modèle
DecisionTreeRegressorappelédecision_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. - Représentez en nuage de points les prédictions d'entraînement et de test par rapport aux valeurs cibles réelles avec
plt.scatter(), et définissez l'argumentlabelégal àtestpour 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()