Evaluasi hasil kita

Setelah kita memiliki hasil pemodelan linear dan prediksi, kita ingin melihat seberapa baik prediksi tersebut agar dapat memutuskan apakah model kita layak atau tidak. Idealnya, kita ingin melakukan back-test untuk setiap jenis strategi perdagangan. Namun, hal ini kompleks dan biasanya memakan waktu.

Cara yang lebih cepat untuk memahami kinerja model adalah dengan melihat metrik evaluasi regresi seperti R\(^2\), serta membuat plot prediksi dibandingkan nilai aktual target. Prediksi sempurna akan membentuk garis lurus diagonal pada plot seperti itu, sehingga memudahkan kita menilai dengan cepat bagaimana kinerja prediksi di berbagai rentang perubahan harga. Kita dapat menggunakan fungsi .scatter() dari matplotlib untuk membuat plot sebar antara prediksi dan nilai aktual.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Tampilkan test_predictions vs test_targets dalam scatterplot, dengan opasitas titik 20% (gunakan parameter alpha untuk mengatur opasitas).
Plot garis prediksi sempurna menggunakan np.arange() dan nilai minimum serta maksimum dari sumbu x (xmin, xmax).
Tampilkan legenda pada plot dengan plt.legend().

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Scatter the predictions vs the targets with 20% opacity
plt.scatter(train_predictions, train_targets, alpha=0.2, color='b', label='train')
plt.scatter(____, ____, ____, color='r', label='test')

# Plot the perfect prediction line
xmin, xmax = plt.xlim()
plt.plot(np.arange(xmin, xmax, 0.01), np.arange(____, ____, 0.01), c='k')

# Set the axis labels and show the plot
plt.xlabel('predictions')
plt.ylabel('actual')
____  # show the legend
plt.show()

Edit dan Jalankan Kode