Visualiseer de resultaten

We hebben ons model getraind met de aangepaste verliesfunctie, dus tijd om te kijken hoe het presteert. We controleren opnieuw de R\(^2\)-waarden met de functie r2_score() van sklearn, en we maken een scatterplot van voorspellingen versus werkelijke waarden met plt.scatter(). Dat levert interessante inzichten op!

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Maak voorspellingen op de testset met .predict(), model_2 en scaled_test_features.
Evalueer de R\(^2\)-score op de testset-voorspellingen met test_preds en test_targets.
Plot de testset-doelen versus werkelijke waarden met plt.scatter() en geef het label 'test'.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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()

Code bewerken en uitvoeren