1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe w finansach z Pythonem
Connected

ćwiczenie

Ocena wydajności KNN

Przed chwilą zaobserwowaliśmy kilka rzeczy dotyczących wyników naszego modelu KNN. Wyniki na zbiorze treningowym były początkowo wysokie i malały wraz ze wzrostem n – co jest typowym zachowaniem. Wyniki na zbiorze testowym osiągnęły szczyt przy wartości 5, którą przyjmiemy jako docelowe ustawienie w finalnym modelu KNN.

Podobnie jak robiliśmy to już kilka razy, sprawdzimy wydajność modelu wizualnie. Dzięki temu zobaczymy, jak dobrze model przewiduje wartości w różnych zakresach rzeczywistych danych. Uzyskamy prognozy z modelu knn za pomocą metody .predict() na przeskalowanych cechach, a następnie użyjemy plt.scatter() z biblioteki matplotlib, aby stworzyć wykres punktowy wartości rzeczywistych względem prognozowanych.

Instrukcje

100 XP
  • Ustaw n_neighbors w KNeighborsRegressor na najlepszą wartość 5 (wyznaczoną w poprzednim ćwiczeniu).
  • Uzyskaj prognozy za pomocą modelu knn na podstawie scaled_train_features i scaled_test_features.
  • Utwórz wykres punktowy test_targets względem test_predictions i oznacz go etykietą test.