Kontrollera resultaten
När vi har en optimerad modell vill vi undersöka dess prestanda mer i detalj. Vi har redan sett R\(^2\)-värdet, men det kan vara hjälpsamt att se prediktionerna plottade mot de faktiska värdena. Vi kan använda .predict()-metoden på vår beslutsträdsmodell för att få prediktioner på tränings- och testuppsättningarna.
Idealt sett vill vi se en diagonal linje från nedre vänster till övre höger. På grund av beslutsträdens enkelhet kommer vår modell dock inte att prestera bra på testuppsättningen – men den kommer att prestera bra på träningsuppsättningen.
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Övningsinstruktioner
- Skapa en
DecisionTreeRegressor-modell med namnetdecision_treeoch använd 3 som värde för hyperparameternmax_depth. - Gör prediktioner på tränings- och testuppsättningarna (
train_featuresochtest_features) med vår beslutsträdsmodell. - Plotta tränings- och testprediktionerna mot de faktiska målvärdena med
plt.scatter(), och sätt argumentetlabeltilltestför testuppsättningen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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()