Periksa hasil kita
Setelah kita memiliki model yang dioptimalkan, kita ingin memeriksa kinerjanya lebih rinci. Kita sudah melihat skor R\(^2\), tetapi akan bermanfaat untuk melihat plot prediksi dibandingkan nilai aktual. Kita dapat menggunakan metode .predict() dari model decision tree kita untuk mendapatkan prediksi pada himpunan latih dan uji.
Idealnya, kita ingin melihat garis diagonal dari kiri bawah ke kanan atas. Namun, karena kesederhanaan decision trees, model kita tidak akan bekerja dengan baik pada himpunan uji. Tetapi model akan bekerja baik pada himpunan latih.
Latihan ini merupakan bagian dari kursus
Machine Learning untuk Keuangan dengan Python
Instruksi latihan
- Buat model
DecisionTreeRegressorbernamadecision_treedenganmax_depthbernilai 3. - Buat prediksi pada himpunan latih dan uji (
train_featuresdantest_features) dengan model decision tree kita. - Buat sebar (scatter) prediksi latih dan uji dibandingkan nilai target aktual dengan
plt.scatter(), dan atur argumenlabelsama dengantestuntuk himpunan uji.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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()