결과 확인하기
최적화한 모델이 준비되면, 성능을 좀 더 자세히 확인해 보고 싶어요. 이미 R\(^2\) 점수를 봤지만, 예측값과 실제값을 비교해 그려 보면 더 도움이 됩니다. 의사결정나무 모델의 .predict() 메서드를 사용해 학습 세트와 테스트 세트에서 예측값을 얻을 수 있어요.
이상적으로는 왼쪽 아래에서 오른쪽 위로 올라가는 대각선 형태가 보이면 좋습니다. 하지만 의사결정나무의 단순성 때문에, 이 모델은 테스트 세트에서는 성능이 좋지 않을 거예요. 대신 학습 세트에서는 성능이 좋게 나올 것입니다.
이 연습은 강의의 일부입니다
Python으로 배우는 금융 분야 Machine Learning
연습 안내
max_depth하이퍼파라미터를 3으로 설정해DecisionTreeRegressor모델decision_tree를 생성하세요.- 의사결정나무 모델로 학습 및 테스트 세트(
train_features와test_features)에 대한 예측을 만드세요. plt.scatter()로 학습 및 테스트 예측값을 실제 타깃 값과 산점도로 비교해 그리세요. 테스트 세트에는label인수를test로 설정하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Use the best max_depth of 3 from last exercise to fit a decision tree
decision_tree = ____
decision_tree.fit(train_features, train_targets)
# Predict values for train and test
train_predictions = decision_tree.predict(train_features)
test_predictions = ____
# Scatter the predictions vs actual values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.show()