Verifique nossos resultados

Depois de otimizar o modelo, vale a pena analisar em mais detalhes como ele está se saindo. Já vimos o escore R\(^2\), mas pode ser útil visualizar as previsões em comparação com os valores reais. Podemos usar o método .predict() do nosso modelo de árvore de decisão para obter previsões nos conjuntos de treino e teste.

Idealmente, queremos ver linhas diagonais do canto inferior esquerdo ao superior direito. No entanto, devido à simplicidade das árvores de decisão, nosso modelo não terá um bom desempenho no conjunto de teste. Mas ele vai se sair bem no conjunto de treino.

Este exercicio faz parte do curso

Machine Learning para Finanças em Python

Ver curso

Instruções do exercicio

Crie um modelo DecisionTreeRegressor chamado decision_tree usando 3 para o hiperparâmetro max_depth.
Faça previsões nos conjuntos de treino e teste (train_features e test_features) com nosso modelo de árvore de decisão.
Faça um gráfico de dispersão das previsões de treino e teste versus os valores reais da variável-alvo com plt.scatter(), e defina o argumento label como test para o conjunto de teste.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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()

Editar e Executar Código