Visualisera resultaten
Vi har tränat vår modell med den anpassade förlustfunktionen och det är dags att se hur den presterar. Vi kontrollerar R\(^2\)-värdena igen med sklearns funktion r2_score(), och skapar ett punktdiagram över prediktioner jämfört med faktiska värden med plt.scatter(). Det ger några intressanta resultat!
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Övningsinstruktioner
- Skapa prediktioner på testmängden med
.predict(),model_2ochscaled_test_features. - Beräkna R\(^2\)-poängen på testmängdens prediktioner med hjälp av
test_predsochtest_targets. - Plotta testmängdens målvärden mot faktiska värden med
plt.scatter()och märk det som'test'.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Evaluate R^2 scores
train_preds = model_2.predict(scaled_train_features)
test_preds = ____
print(r2_score(train_targets, train_preds))
print(____)
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____) # plot test set
plt.legend(); plt.show()