Проверка результатов
После оптимизации модели полезно оценить её работу подробнее. Мы уже видели значение R\(^2\), но также бывает наглядно посмотреть на график прогнозов в сравнении с реальными значениями. Для получения прогнозов на обучающей и тестовой выборках можно воспользоваться методом .predict() нашей модели дерева решений.
В идеале на графике должна прослеживаться диагональная линия из нижнего левого угла в верхний правый. Однако из-за простоты деревьев решений наша модель не будет хорошо справляться с тестовой выборкой — зато на обучающей выборке результаты окажутся значительно лучше.
Это упражнение является частью курса
Машинное обучение для финансов на Python
Инструкции к упражнению
- Создайте модель
DecisionTreeRegressorс именемdecision_tree, задав гиперпараметруmax_depthзначение 3. - Получите прогнозы на обучающей и тестовой выборках (
train_featuresиtest_features) с помощью нашей модели дерева решений. - Постройте точечные графики прогнозов для обучающей и тестовой выборок в сравнении с реальными целевыми значениями, используя
plt.scatter(), и задайте аргументуlabelзначениеtestдля тестовой выборки.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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()