Controleer je resultaten

Als we een geoptimaliseerd model hebben, willen we in meer detail bekijken hoe het presteert. We hebben de R\(^2\)-score al gezien, maar het is handig om de voorspellingen te plotten tegenover de echte waarden. We kunnen de .predict()-methode van ons decision tree-model gebruiken om voorspellingen te krijgen voor de train- en testsets.

Idealiter zie je diagonale lijnen van linksonder naar rechtsboven. Door de eenvoud van decision trees zal ons model het echter niet goed doen op de testset. Op de trainset presteert het wel goed.

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Maak een DecisionTreeRegressor-model met de naam decision_tree met 3 als waarde voor de hyperparameter max_depth.
Maak voorspellingen op de train- en testsets (train_features en test_features) met ons decision tree-model.
Maak een scatterplot van de train- en testvoorspellingen tegenover de echte targetwaarden met plt.scatter(), en zet voor de testset het argument label gelijk aan test.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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()

Code bewerken en uitvoeren