KNN performansını değerlendir
KNN skorlarımızla ilgili birkaç şey gördük. Öncelikle, eğitim skorları yüksek başladı ve artan n ile azaldı; bu tipiktir. Test kümesi performansı ise 5'te zirve yaptı ve son KNN modelimizde bu ayarı kullanacağız.
Şimdiye kadar birkaç kez yaptığımız gibi, performansımızı görsel olarak kontrol edeceğiz. Bu, modelin gerçek değerlerin farklı bölgelerinde ne kadar iyi tahmin yaptığını görmemize yardımcı olur. Ölçeklenmiş özelliklerimiz üzerinde .predict() yöntemini kullanarak knn modelimizden tahminler alacağız. Ardından, matplotlib'in plt.scatter() fonksiyonunu kullanarak gerçek değerlere karşı tahminlerin saçılım grafiğini oluşturacağız.
Bu egzersiz, kursun bir parçasıdır
Python ile Finans için Machine Learning
Egzersiz talimatları
KNeighborsRegressoriçinden_neighborsdeğerini (önceki egzersizde bulunan) en iyi performans gösteren 5 olarak ayarla.scaled_train_featuresvescaled_test_featuresüzerindenknnmodeliyle tahminler al.test_targetsiletest_predictionsdeğerlerinin saçılım grafiğini oluştur ve etiketitestolarak ayarla.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create the model with the best-performing n_neighbors of 5
knn = KNeighborsRegressor(____)
# Fit the model
knn.fit(scaled_train_features, train_targets)
# Get predictions for train and test sets
train_predictions = ____
test_predictions = ____
# Plot the actual vs predicted values
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()