Evaluasi kinerja KNN

Kita baru saja melihat beberapa hal pada skor KNN. Pertama, skor pelatihan mulai tinggi dan menurun seiring meningkatnya n, yang merupakan pola umum. Kinerja himpunan uji mencapai puncak pada 5, dan kita akan menggunakan nilai tersebut sebagai pengaturan pada model KNN final.

Seperti yang telah kita lakukan beberapa kali, kita akan memeriksa kinerja secara visual. Ini membantu kita melihat seberapa baik model memprediksi pada berbagai rentang nilai aktual. Kita akan mendapatkan prediksi dari model knn menggunakan metode .predict() pada fitur yang telah diskalakan. Lalu kita akan menggunakan plt.scatter() dari matplotlib untuk membuat plot sebar nilai aktual versus nilai prediksi.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Atur n_neighbors pada KNeighborsRegressor ke nilai dengan kinerja terbaik, yaitu 5 (ditemukan pada latihan sebelumnya).
Dapatkan prediksi menggunakan model knn dari scaled_train_features dan scaled_test_features.
Buat plot sebar antara test_targets dan test_predictions dan beri label test.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Create the model with the best-performing n_neighbors of 5
knn = KNeighborsRegressor(____)

# Fit the model
knn.fit(scaled_train_features, train_targets)

# Get predictions for train and test sets
train_predictions = ____
test_predictions = ____

# Plot the actual vs predicted values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Edit dan Jalankan Kode