Оценка качества модели

Теперь, когда нейронная сеть обучена, проверим её качество — посмотрим, насколько точно модель предсказывает новые значения. В отличие от моделей sklearn, здесь нет встроенного метода .score(), поэтому воспользуемся функцией r2_score() из sklearn.metrics. Она вычисляет коэффициент детерминации R\(^2\) по аргументам (y_true, y_predicted). Затем снова построим график предсказанных значений относительно фактических — он станет особенно интересным, когда мы реализуем собственную функцию потерь.

Это упражнение является частью курса

Машинное обучение для финансов на Python

Посмотреть курс

Инструкции к упражнению

Получите предсказания модели model_1 на масштабированных тестовых данных (scaled_test_features и test_targets).
Выведите на экран значение R\(^2\) на тестовой выборке (test_targets и test_preds).
Постройте диаграмму рассеяния test_preds и test_targets с помощью plt.scatter().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

from sklearn.metrics import r2_score

# Calculate R^2 score
train_preds = model_1.predict(scaled_train_features)
test_preds = model_1.predict(____)
print(r2_score(train_targets, train_preds))
print(r2_score(____, ____))

# Plot predictions vs actual
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Редактировать и запускать код