Guarda come ha performato l'ensemble
Verifichiamo le prestazioni del nostro modello in ensemble per capire come sta andando. Dovremmo vedere approssimativamente una media dei punteggi R\(^2\), oltre a uno scatter plot che è un mix delle previsioni dei modelli precedenti. La forma a farfalla del modello con la funzione di perdita personalizzata dovrebbe essere ancora un po' visibile, ma i bordi vicino a x=0 dovrebbero essere più morbidi.
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Valuta i punteggi R\(^2\) sui set di train e test. Usa la funzione
r2_score()disklearn(già importata per te) contrain_targetsetrain_predsdell'esercizio precedente. - Traccia le previsioni di train e test rispetto ai valori reali con
plt.scatter().
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
from sklearn.metrics import r2_score
# Evaluate the R^2 scores
print(r2_score(____, ____))
print(r2_score(test_targets, test_preds))
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(____, ____, ____)
plt.scatter(test_preds, test_targets, label='test')
plt.legend(); plt.show()