Visualiser les valeurs prédites
Avec des données de séries temporelles, il est utile de visualiser les prédictions du modèle par-dessus les valeurs « réelles » utilisées pour tester le modèle.
Dans cet exercice, après avoir séparé les données (stockées dans les variables X et y) en ensembles d’entraînement et de test, vous allez entraîner un modèle puis visualiser ses prédictions par-dessus les données de test afin d’estimer ses performances.
Cet exercice fait partie du cours
Machine Learning for Time Series Data in Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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)