हमारे परिणाम जाँचें
जब हमारे पास ऑप्टिमाइज़्ड मॉडल होता है, तो हम यह विस्तार से देखना चाहते हैं कि वह कैसा कर रहा है। हमने पहले ही R\(^2\) स्कोर देखा है, लेकिन प्रेडिक्शंस को वास्तविक मानों के मुकाबले प्लॉट करके देखना भी उपयोगी होता है। हम अपने डिसीज़न ट्री मॉडल की .predict() मेथड का उपयोग करके ट्रेन और टेस्ट सेट्स पर प्रेडिक्शंस ले सकते हैं.
आदर्श रूप से, हम निचले बाएँ से ऊपरी दाएँ तक तिरछी रेखाएँ देखना चाहेंगे। हालाँकि, डिसीज़न ट्री की सादगी के कारण, हमारा मॉडल टेस्ट सेट पर अच्छा प्रदर्शन नहीं करेगा। लेकिन यह ट्रेन सेट पर अच्छा करेगा.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Finance के लिए Machine Learning
अभ्यास निर्देश
DecisionTreeRegressorमॉडल बनाएँ जिसका नामdecision_treeहो औरmax_depthहाइपरपैरामीटर के लिए 3 सेट करें.- हमारे डिसीज़न ट्री मॉडल के साथ ट्रेन और टेस्ट सेट्स (
train_featuresऔरtest_features) पर प्रेडिक्शंस बनाएँ. plt.scatter()के साथ ट्रेन और टेस्ट प्रेडिक्शंस को वास्तविक टारगेट मानों के मुकाबले स्कैटर करें, और टेस्ट सेट के लिएlabelआर्ग्यूमेंट कोtestके बराबर सेट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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()