1. Learn
    2. /
  2. Cursuri
    3. /
  3. Uczenie maszynowe w finansach z Pythonem
Connected

exercițiu

Sprawdź wyniki

Po uzyskaniu zoptymalizowanego modelu warto dokładniej przyjrzeć się jego działaniu. Wynik R\(^2\) już znasz, ale pomocne może być też porównanie wartości przewidzianych z rzeczywistymi na wykresie. Aby uzyskać predykcje na zbiorach treningowym i testowym, użyj metody .predict() modelu drzewa decyzyjnego.

Najlepiej, gdyby punkty układały się wzdłuż linii przekątnej – od lewego dolnego do prawego górnego rogu wykresu. Ze względu na prostotę drzew decyzyjnych nasz model nie poradzi sobie najlepiej na zbiorze testowym, ale na zbiorze treningowym powinien wypaść dobrze.

Instrucțiuni

100 XP
  • Utwórz model DecisionTreeRegressor o nazwie decision_tree, ustawiając hiperparametr max_depth na wartość 3.
  • Wygeneruj predykcje na zbiorach treningowym i testowym (train_features oraz test_features) przy użyciu modelu drzewa decyzyjnego.
  • Zwizualizuj predykcje dla zbioru treningowego i testowego w porównaniu z rzeczywistymi wartościami docelowymi, korzystając z plt.scatter(). Dla zbioru testowego ustaw argument label na test.