Performansı değerlendir
Son olarak ve her zamanki gibi, en iyi modelimizin performansını değerlendirip ne kadar iyi ya da kötü durumda olduğumuzu görmek istiyoruz. İdeal olanı geriye dönük test (back-testing) yapmaktır, ancak bu, bu kursta yer ayıramayacağımız kadar kapsamlı bir süreç.
R\(^2\) skorlarını zaten gördük, ama şimdi matplotlib kullanarak tahminler ile gerçek sonuçların saçılım grafiğine bakalım. Mükemmel tahminler, sol alttan sağ üste giden diyagonal bir çizgi olurdu.
Bu egzersiz, kursun bir parçasıdır
Python ile Finans için Machine Learning
Egzersiz talimatları
RandomForestRegressor(rfr) içinde önceki egzersizde bulduğumuz en iyimax_featuressayısını kullan (4’tü).- Modeli kullanarak
train_featuresvetest_featuresile tahminler yap. - Gerçek hedefleri (train/testtargets) tahminlerle (train/testpredictions) karşılaştırarak saçılım grafiği çiz ve veri kümelerini
trainvetestolarak etiketle.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Use the best hyperparameters from before to fit a random forest model
rfr = RandomForestRegressor(n_estimators=200, max_depth=3, max_features=____, random_state=42)
rfr.fit(train_features, train_targets)
# Make predictions with our model
train_predictions = rfr.predict(____)
test_predictions = ____
# Create a scatter plot with train and test actual vs predictions
plt.scatter(train_targets, train_predictions, label='train')
plt.scatter(____)
plt.legend()
plt.show()