Evaluarea performanței

În final, ca de obicei, vrem să evaluăm performanța celui mai bun model al nostru, pentru a vedea cât de bine sau de slab se descurcă. Ideal ar fi să realizăm back-testing, însă este un proces complex pe care nu avem spațiu să îl acoperim în acest curs.

Am văzut deja scorurile R\(^2\), dar hai să aruncăm o privire și asupra graficului scatter al predicțiilor față de rezultatele reale, folosind matplotlib. Predicțiile perfecte ar forma o linie diagonală de la colțul din stânga-jos până la colțul din dreapta-sus.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește valoarea optimă pentru max_features în RandomForestRegressor-ul (rfr) nostru, pe care am identificat-o în exercițiul anterior (era 4).
Generează predicții cu modelul, folosind train_features și test_features.
Realizează un grafic scatter cu valorile reale (train/test_targets) față de predicții (train/test_predictions) și etichetează seturile de date ca train, respectiv test.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Use the best hyperparameters from before to fit a random forest model
rfr = RandomForestRegressor(n_estimators=200, max_depth=3, max_features=____, random_state=42)
rfr.fit(train_features, train_targets)

# Make predictions with our model
train_predictions = rfr.predict(____)
test_predictions = ____

# Create a scatter plot with train and test actual vs predictions
plt.scatter(train_targets, train_predictions, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Editează și rulează codul