Valuta le prestazioni
Infine, come sempre, vogliamo valutare le prestazioni del nostro miglior modello per capire quanto bene (o male) stiamo facendo. Idealmente sarebbe meglio fare del backtesting, ma è un processo articolato che non abbiamo spazio per trattare in questo corso.
Abbiamo già visto gli R\(^2\) score, ma diamo un'occhiata allo scatter plot delle previsioni rispetto ai valori reali usando matplotlib. Previsioni perfette formerebbero una linea diagonale dall'angolo in basso a sinistra a quello in alto a destra.
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Usa il miglior valore per
max_featuresnel nostroRandomForestRegressor(rfr) trovato nell'esercizio precedente (era 4). - Genera le previsioni con il modello usando
train_featuresetest_features. - Esegui uno scatter tra i target reali (train/test_targets) e le previsioni (train/test_predictions) e assegna come etichette degli insiemi di dati
trainetest.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Use the best hyperparameters from before to fit a random forest model
rfr = RandomForestRegressor(n_estimators=200, max_depth=3, max_features=____, random_state=42)
rfr.fit(train_features, train_targets)
# Make predictions with our model
train_predictions = rfr.predict(____)
test_predictions = ____
# Create a scatter plot with train and test actual vs predictions
plt.scatter(train_targets, train_predictions, label='train')
plt.scatter(____)
plt.legend()
plt.show()