Ukur kinerja

Sekarang setelah kita melatih neural net, mari periksa kinerjanya untuk melihat seberapa baik model memprediksi nilai baru. Tidak ada metode bawaan .score() seperti pada model sklearn, jadi kita akan menggunakan fungsi r2_score() dari sklearn.metrics. Fungsi ini menghitung skor R\(^2\) dengan argumen (y_true, y_predicted). Kita juga akan kembali membuat plot perbandingan prediksi dengan nilai aktual. Ini akan menghasilkan beberapa temuan menarik segera (setelah kita menerapkan fungsi loss kustom kita sendiri).

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Peroleh prediksi dari model_1 pada data himpunan uji yang telah diskalakan (scaled_test_features dan test_targets).
Cetak skor R\(^2\) pada himpunan uji (test_targets dan test_preds).
Plot test_preds terhadap test_targets dalam plot sebar dengan plt.scatter().

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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()

Edit dan Jalankan Kode