Avaliar nossos resultados

Depois de obter o ajuste linear e as previsões, queremos ver quão boas elas são para decidir se nosso modelo presta ou não. Idealmente, queremos fazer um backtest de qualquer tipo de estratégia de negociação. No entanto, isso é complexo e normalmente demorado.

Uma forma mais rápida de entender o desempenho do modelo é olhar métricas de avaliação de regressão como R\(^2\) e traçar as previsões versus os valores reais dos alvos. Previsões perfeitas formariam uma linha reta e diagonal nesse gráfico, o que facilita avaliar visualmente como nossas previsões se saem em diferentes regiões de variação de preços. Podemos usar a função .scatter() do matplotlib para criar gráficos de dispersão das previsões e dos valores reais.

Este exercicio faz parte do curso

Machine Learning para Finanças em Python

Ver curso

Instruções do exercicio

Mostre test_predictions vs test_targets em um gráfico de dispersão, com 20% de opacidade nos pontos (use o parâmetro alpha para definir a opacidade).
Plote a linha de previsão perfeita usando np.arange() e os valores mínimo e máximo do eixo x (xmin, xmax).
Exiba a legenda no gráfico com plt.legend().

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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()

Editar e Executar Código