Visualize os resultados
Ajustamos nosso modelo com a função de perda personalizada, e é hora de ver como ele está se saindo. Vamos verificar novamente os valores de R\(^2\) com a função r2_score() do sklearn, e criar um gráfico de dispersão de previsões versus valores reais com plt.scatter(). Isso vai gerar resultados interessantes!
Este exercicio faz parte do curso
Machine Learning para Finanças em Python
Instruções do exercicio
- Crie previsões no conjunto de teste com
.predict(),model_2escaled_test_features. - Avalie o score R\(^2\) nas previsões do conjunto de teste usando
test_predsetest_targets. - Plote os alvos do conjunto de teste vs. valores reais com
plt.scatter()e rotule como'test'.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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()