Verificăm rezultatele
După ce obținem un model optimizat, vrem să analizăm performanța acestuia în detaliu. Am văzut deja scorul R\(^2\), dar poate fi util să vizualizăm predicțiile comparativ cu valorile reale. Putem folosi metoda .predict() a modelului nostru de arbore de decizie pentru a obține predicții pe seturile de antrenament și de testare.
În mod ideal, vrem să vedem linii diagonale din colțul stânga-jos spre colțul dreapta-sus. Totuși, din cauza simplității arborilor de decizie, modelul nu va performa bine pe setul de testare – însă va obține rezultate bune pe setul de antrenament.
Acest exercițiu face parte din cursul
Machine Learning pentru finanțe în Python
Instrucțiuni pentru exercițiu
- Creează un model
DecisionTreeRegressornumitdecision_tree, folosind valoarea 3 pentru hiperparametrulmax_depth. - Realizează predicții pe seturile de antrenament și de testare (
train_featuresșitest_features) cu ajutorul modelului nostru de arbore de decizie. - Reprezintă grafic predicțiile pentru antrenament și testare față de valorile reale ale țintei, folosind
plt.scatter(), și setează argumentullabella valoareatestpentru setul de testare.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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()