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
<cours>Machine Learning for Time Series Data in Python</cours>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)