परफॉर्मेंस मापें
अब जब हमने अपना न्यूरल नेट फिट कर लिया है, तो चलिए परफॉर्मेंस जाँचते हैं कि हमारा मॉडल नए मानों की भविष्यवाणी कितनी अच्छी तरह कर रहा है. sklearn मॉडलों की तरह यहाँ बिल्ट-इन .score() मेथड नहीं है, इसलिए हम sklearn.metrics की r2_score() फंक्शन का उपयोग करेंगे. यह दिए गए आर्ग्युमेंट्स (y_true, y_predicted) पर R\(^2\) स्कोर निकालती है. हम अपनी प्रेडिक्शंस को एक बार फिर वास्तविक मानों के साथ प्लॉट भी करेंगे. बहुत जल्द (जब हम अपनी कस्टम loss function लागू करेंगे) इससे कुछ दिलचस्प नतीजे मिलेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Finance के लिए Machine Learning
अभ्यास निर्देश
model_1से स्केल किए गए टेस्ट सेट डेटा (scaled_test_featuresऔरtest_targets) पर प्रेडिक्शंस प्राप्त करें.- टेस्ट सेट पर R\(^2\) स्कोर प्रिंट करें (
test_targetsऔरtest_preds). plt.scatter()के साथ एक स्कैटर प्लॉट मेंtest_predsबनामtest_targetsप्लॉट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
from sklearn.metrics import r2_score
# Calculate R^2 score
train_preds = model_1.predict(scaled_train_features)
test_preds = model_1.predict(____)
print(r2_score(train_targets, train_preds))
print(r2_score(____, ____))
# Plot predictions vs actual
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()