結果を可視化する
カスタム損失関数を使ってモデルを学習させました。次は、そのパフォーマンスを確認しましょう。sklearnのr2_score()関数を使って再びR$^2$値を確認し、plt.scatter()で予測値と実際の値の散布図を作成します。興味深い結果が得られるはずです。
この演習はコースの一部です
Python による金融のための Machine Learning
演習の手順
.predict()、model_2、およびscaled_test_featuresを使って、テストセットの予測を作成しましょう。test_predsとtest_targetsを使って、テストセットの予測に対するR$^2$スコアを評価しましょう。plt.scatter()でテストセットの目標値と実際の値をプロットし、'test'というラベルを付けましょう。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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()