แสดงผลลัพธ์เป็นภาพ
เราได้ฝึกโมเดลด้วย custom loss function เรียบร้อยแล้ว ถึงเวลาดูว่าโมเดลทำงานได้ดีแค่ไหน จะตรวจสอบค่า R\(^2\) อีกครั้งด้วยฟังก์ชัน r2_score() ของ sklearn และสร้าง scatter plot เปรียบเทียบค่าที่ทำนายกับค่าจริงด้วย plt.scatter() ผลลัพธ์ที่ได้น่าจะน่าสนใจทีเดียว!
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Machine Learning สำหรับการเงินด้วย Python
คำแนะนำการฝึกหัด
- สร้างค่าทำนายบน test set ด้วย
.predict(),model_2และscaled_test_features - ประเมินค่า R\(^2\) บนค่าทำนายของ test set โดยใช้
test_predsและtest_targets - พล็อต target ของ test set เทียบกับค่าจริงด้วย
plt.scatter()และตั้งชื่อว่า'test'
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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()