Evaluează performanța KNN

Am observat câteva lucruri interesante cu scorurile KNN. În primul rând, scorurile pe setul de antrenament au început ridicate și au scăzut pe măsură ce n creștea – ceea ce este tipic. Performanța pe setul de testare a atins un vârf la 5, așa că vom folosi această valoare în modelul KNN final.

Ca de obicei, vom verifica performanța și vizual. Aceasta ne ajută să vedem cât de bine face predicții modelul pentru diferite intervale de valori reale. Vom obține predicții din modelul nostru knn folosind metoda .predict() aplicată pe caracteristicile scalate. Apoi vom folosi plt.scatter() din matplotlib pentru a crea un grafic scatter cu valorile reale față de cele prezise.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Setează n_neighbors în KNeighborsRegressor la valoarea optimă de 5 (identificată în exercițiul anterior).
Obține predicții folosind modelul knn pe scaled_train_features și scaled_test_features.
Creează un grafic scatter cu test_targets față de test_predictions și etichetează-l test.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()

Editează și rulează codul