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.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w finansach z Pythonem
Instrukcje do ćwiczenia
- Utwórz model
DecisionTreeRegressoro nazwiedecision_tree, ustawiając hiperparametrmax_depthna wartość 3. - Wygeneruj predykcje na zbiorach treningowym i testowym (
train_featuresoraztest_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 argumentlabelnatest.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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()