शुरू करेंमुफ़्त में शुरू करें

परिणाम विज़ुअलाइज़ करें

हमने कस्टम लॉस फंक्शन के साथ अपना मॉडल फिट कर लिया है, अब देखते हैं कि यह कैसा प्रदर्शन कर रहा है। हम sklearn के r2_score() फंक्शन से दोबारा R\(^2\) मान निकालेंगे, और plt.scatter() से प्रेडिक्शन बनाम वास्तविक मानों का स्कैटर प्लॉट बनाएँगे। इससे कुछ दिलचस्प नतीजे सामने आएँगे!

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Finance के लिए Machine Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • .predict(), model_2, और scaled_test_features के साथ टेस्ट सेट पर प्रेडिक्शन बनाएँ।
  • test_preds और test_targets का उपयोग करके टेस्ट सेट प्रेडिक्शनों पर R\(^2\) स्कोर का मूल्यांकन करें।
  • plt.scatter() से टेस्ट सेट के टार्गेट बनाम वास्तविक मानों का प्लॉट बनाएँ, और इसे 'test' लेबल दें।

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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()
कोड संपादित करें और चलाएँ