Oceń wyniki modelu

Po dopasowaniu modelu liniowego i wygenerowaniu predykcji warto sprawdzić, jak dobre są te przewidywania – pomoże to ocenić, czy model nadaje się do użycia. Idealnym rozwiązaniem byłoby przeprowadzenie backtestingu strategii tradingowej, jednak jest to proces złożony i zazwyczaj czasochłonny.

Szybszym sposobem oceny modelu jest analiza metryk regresji, takich jak R\(^2\), oraz porównanie predykcji z rzeczywistymi wartościami zmiennej docelowej na wykresie. Doskonałe predykcje układałyby się wzdłuż prostej linii przekątnej, co pozwala na szybką ocenę wzrokową jakości przewidywań w różnych zakresach zmian cen. Do tworzenia wykresów punktowych predykcji i wartości rzeczywistych możesz użyć funkcji .scatter() z biblioteki matplotlib.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w finansach z Pythonem

Zobacz kurs

Instrukcje do ćwiczenia

Wyświetl test_predictions w porównaniu z test_targets na wykresie punktowym, ustawiając 20% nieprzezroczystości punktów (użyj parametru alpha).
Narysuj linię idealnych predykcji, korzystając z np.arange() oraz minimalnej i maksymalnej wartości osi x (xmin, xmax).
Wyświetl legendę wykresu za pomocą plt.legend().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod