Avaliar o desempenho do KNN

Acabamos de observar algumas coisas com nossos escores do KNN. Primeiro, os escores de treino começaram altos e diminuíram com o aumento de n, o que é típico. Já o desempenho no conjunto de teste atingiu um pico em 5, e vamos usar esse valor como configuração no modelo KNN final.

Como já fizemos algumas vezes, vamos verificar o desempenho visualmente. Isso ajuda a ver quão bem o modelo prevê em diferentes faixas de valores reais. Vamos obter previsões do nosso modelo knn usando o método .predict() nas nossas features escaladas. Em seguida, usaremos o plt.scatter() do matplotlib para criar um gráfico de dispersão de valores reais versus previstos.

Este exercicio faz parte do curso

Machine Learning para Finanças em Python

Ver curso

Instruções do exercicio

Defina n_neighbors no KNeighborsRegressor para o melhor valor de desempenho, 5 (encontrado no exercício anterior).
Obtenha previsões usando o modelo knn a partir de scaled_train_features e scaled_test_features.
Crie um gráfico de dispersão de test_targets versus test_predictions e rotule-o como test.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Create the model with the best-performing n_neighbors of 5
knn = KNeighborsRegressor(____)

# Fit the model
knn.fit(scaled_train_features, train_targets)

# Get predictions for train and test sets
train_predictions = ____
test_predictions = ____

# Plot the actual vs predicted values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Editar e Executar Código