Mät prestanda
Nu när vi har tränat vårt neurala nätverk är det dags att utvärdera hur väl modellen förutsäger nya värden. Det finns ingen inbyggd .score()-metod som för sklearn-modeller, så vi använder funktionen r2_score() från sklearn.metrics. Den beräknar R\(^2\)-poängen givet argumenten (y_true, y_predicted). Vi kommer också att plotta våra förutsägelser mot de faktiska värdena igen – något som snart ger intressanta resultat, när vi implementerar en egen anpassad förlustfunktion.
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Övningsinstruktioner
- Hämta förutsägelser från
model_1på den skalade testdatan (scaled_test_featuresochtest_targets). - Skriv ut R\(^2\)-poängen på testdatan (
test_targetsochtest_preds). - Plotta
test_predsmottest_targetsi ett spridningsdiagram medplt.scatter().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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()