Wizualizacja wyników
Dopasowaliśmy model z niestandardową funkcją straty – czas sprawdzić, jak sobie radzi. Ponownie sprawdzimy wartości R\(^2\) za pomocą funkcji r2_score() z biblioteki sklearn, a następnie stworzymy wykres punktowy porównujący przewidywania z rzeczywistymi wartościami przy użyciu plt.scatter(). Wyniki mogą być zaskakujące!
To ćwiczenie jest częścią kursu
Uczenie maszynowe w finansach z Pythonem
Instrukcje do ćwiczenia
- Wygeneruj przewidywania na zbiorze testowym, używając
.predict(),model_2orazscaled_test_features. - Oblicz wynik R\(^2\) dla przewidywań na zbiorze testowym, korzystając z
test_predsitest_targets. - Wykreśl wartości docelowe zbioru testowego w stosunku do wartości rzeczywistych za pomocą
plt.scatter()i nadaj wykresowi etykietę'test'.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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()