Wizualizacja prognozowanych wartości
Pracując z danymi szeregów czasowych, warto wizualizować prognozy modelu na tle "rzeczywistych" wartości używanych do jego testowania.
W tym ćwiczeniu podzielisz dane (przechowywane w zmiennych X i y) na zbiory treningowy i testowy, zbudujesz model, a następnie zwizualizujesz jego prognozy na tle
danych testowych, aby ocenić jakość modelu.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
# Split our data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(____, ____,
train_size=.8, shuffle=False)
# Fit our model and generate predictions
model = Ridge()
model.fit(____, ____)
predictions = model.predict(____)
score = r2_score(y_test, predictions)
print(score)