Utvärdera ensembelmodellens prestanda
Nu kontrollerar vi hur vår ensembelmodell presterar. Vi bör se ungefär ett genomsnitt av R\(^2\)-värdena, samt ett spridningsdiagram som är en blandning av våra tidigare modellers förutsägelser. Fjärilsformen från modellen med den anpassade förlustfunktionen bör fortfarande vara något synlig, men kanterna nära x=0 bör vara mjukare.
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Övningsinstruktioner
- Beräkna R\(^2\)-värdena för tränings- och testmängderna. Använd funktionen
r2_score()frånsklearn(redan importerad) medtrain_targetsochtrain_predsfrån föregående övning. - Rita tränings- och testförutsägelserna mot de faktiska värdena med
plt.scatter().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.metrics import r2_score
# Evaluate the R^2 scores
print(r2_score(____, ____))
print(r2_score(test_targets, test_preds))
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(____, ____, ____)
plt.scatter(test_preds, test_targets, label='test')
plt.legend(); plt.show()