Visualisera predikterade värden
När man arbetar med tidsseriedata är det användbart att visualisera modellens prediktioner ovanpå de "faktiska" värden som används för att testa modellen.
I den här övningen delar du upp datan (lagrad i variablerna X och y) i tränings- och testmängder, bygger en modell och visualiserar sedan modellens prediktioner ovanpå testdatan för att uppskatta modellens prestanda.
Den här övningen är en del av kursen
Maskininlärning för tidsseriedata i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
# Split our data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(____, ____,
train_size=.8, shuffle=False)
# Fit our model and generate predictions
model = Ridge()
model.fit(____, ____)
predictions = model.predict(____)
score = r2_score(y_test, predictions)
print(score)