Visualiser les résultats
Nous avons entraîné notre modèle avec la fonction de perte personnalisée ; il est temps de voir ses performances. Nous allons recalculer les valeurs de R\(^2\) avec la fonction r2_score() de sklearn, puis créer un nuage de points des prédictions par rapport aux valeurs réelles avec plt.scatter(). Vous verrez, les résultats sont intéressants !
Cet exercice fait partie du cours
<cours>Machine Learning pour la finance en Python</cours>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 ajoutez le libellé'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()