Evalueer onze resultaten

Zodra we onze lineaire fit en voorspellingen hebben, willen we zien hoe goed die voorspellingen zijn, zodat we kunnen bepalen of ons model de moeite waard is. Idealiter willen we elke vorm van handelsstrategie backtesten. Dat is echter complex en kost meestal veel tijd.

Een snellere manier om de prestaties van ons model te begrijpen is kijken naar regressie-evaluatiemetrics zoals R\(^2\), en de voorspellingen te plotten tegenover de werkelijke waarden van de targets. Perfecte voorspellingen zouden in zo'n plot een strakke diagonale lijn vormen, waardoor je in één oogopslag ziet hoe onze voorspellingen het doen in verschillende gebieden van prijsveranderingen. We kunnen matplotlib's .scatter()-functie gebruiken om spreidingsdiagrammen van de voorspellingen en werkelijke waarden te maken.

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Laat test_predictions versus test_targets zien in een scatterplot, met 20% opaciteit voor de punten (gebruik de parameter alpha om de opaciteit in te stellen).
Plot de perfecte voorspellingslijn met np.arange() en de minimale en maximale waarden van de x-as (xmin, xmax).
Toon de legenda in de plot met plt.legend().

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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()

Code bewerken en uitvoeren