Sonuçlarımızı kontrol et

Optimize edilmiş bir modelimiz olduğunda, nasıl performans gösterdiğini daha detaylı incelemek isteriz. R\(^2\) skorunu zaten gördük, ancak tahminlerin gerçek değerlerle karşılaştırmalı grafiğini görmek de faydalı olabilir. Karar ağacı modelimizin .predict() metodunu kullanarak eğitim ve test setleri üzerinde tahminler alabiliriz.

İdeal olarak, sol alttan sağ üste uzanan diyagonal çizgiler görmek isteriz. Ancak, karar ağaçlarının basitliği nedeniyle, modelimiz test setinde iyi performans göstermeyecek. Ama eğitim setinde iyi sonuç verecek.

Bu egzersiz, kursun bir parçasıdır

Python ile Finans için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

max_depth hiperparametresi için 3 kullanarak decision_tree adlı bir DecisionTreeRegressor modeli oluştur.
Karar ağacı modelimizle eğitim ve test setlerinde (train_features ve test_features) tahminler yap.
Eğitim ve test tahminlerini gerçek hedef değerlerine karşı plt.scatter() ile serpiştir (scatter) grafiği olarak çiz ve test seti için label argümanını test olarak ayarla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Use the best max_depth of 3 from last exercise to fit a decision tree
decision_tree = ____
decision_tree.fit(train_features, train_targets)

# Predict values for train and test
train_predictions = decision_tree.predict(train_features)
test_predictions = ____

# Scatter the predictions vs actual values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.show()

Kodu Düzenle ve Çalıştır