Observer les performances de l'ensemble
Vérifions les performances de notre modèle ensemblé pour voir comment il s'en sort. Nous devrions obtenir approximativement une moyenne des scores de R\(^2\), ainsi qu'un nuage de points qui combine les prédictions de nos modèles précédents. La forme en nœud papillon issue du modèle avec fonction de perte personnalisée devrait rester légèrement visible, mais les bords près de x=0 devraient être plus doux.
Cet exercice fait partie du cours
<cours>Machine Learning pour la finance en Python</cours>Instructions de l’exercice
- Évaluez les scores de R\(^2\) sur les ensembles d'entraînement et de test. Utilisez la fonction
r2_score()desklearn(déjà importée pour vous) avectrain_targetsettrain_predsde l'exercice précédent. - Tracez les prédictions d'entraînement et de test par rapport aux valeurs réelles avec
plt.scatter().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
from sklearn.metrics import r2_score
# Evaluate the R^2 scores
print(r2_score(____, ____))
print(r2_score(test_targets, test_preds))
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(____, ____, ____)
plt.scatter(test_preds, test_targets, label='test')
plt.legend(); plt.show()