Valuta i risultati
Una volta ottenuti il fitting lineare e le previsioni, vogliamo capire quanto siano buone per decidere se il nostro modello è valido oppure no. Idealmente, vorremmo fare un backtest di qualsiasi strategia di trading. Tuttavia, è un'attività complessa e in genere richiede molto tempo.
Un modo più rapido per valutare le prestazioni del modello è guardare metriche di valutazione per la regressione come R\(^2\) e tracciare le previsioni rispetto ai valori reali dei target. Previsioni perfette formerebbero una linea retta diagonale in un grafico del genere, permettendoci a colpo d'occhio di vedere come vanno le previsioni nelle diverse aree delle variazioni di prezzo. Possiamo usare la funzione .scatter() di matplotlib per creare grafici a dispersione delle previsioni e dei valori reali.
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Visualizza
test_predictionscontrotest_targetsin uno scatter plot, con il 20% di opacità per i punti (usa il parametroalphaper impostare l'opacità). - Traccia la linea di previsione perfetta usando
np.arange()e i valori minimo e massimo dell'asse x (xmin,xmax). - Mostra la legenda sul grafico con
plt.legend().
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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()