Visualizza i risultati
Abbiamo addestrato il nostro modello con la funzione di loss personalizzata ed è il momento di vedere come sta andando. Controlleremo di nuovo i valori di R\(^2\) con la funzione r2_score() di sklearn e creeremo uno scatter plot tra previsioni e valori reali con plt.scatter(). Questo ci darà risultati interessanti!
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Crea le previsioni sul set di test con
.predict(),model_2escaled_test_features. - Valuta lo score R\(^2\) sulle previsioni del set di test usando
test_predsetest_targets. - Traccia i target del set di test vs i valori reali con
plt.scatter()e assegnagli l'etichetta'test'.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Evaluate R^2 scores
train_preds = model_2.predict(scaled_train_features)
test_preds = ____
print(r2_score(train_targets, train_preds))
print(____)
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____) # plot test set
plt.legend(); plt.show()