Sonuçlarımızı değerlendir
Doğrusal uyumumuzu ve tahminlerimizi elde ettiğimizde, modelimizin iyi olup olmadığına karar verebilmek için bu tahminlerin ne kadar iyi olduğunu görmek isteriz. İdeal olarak, her tür işlem stratejisini geriye dönük test etmek isteriz. Ancak bu, karmaşık ve genellikle zaman alan bir süreçtir.
Modelimizin performansını daha hızlı anlamanın bir yolu, R\(^2\) gibi regresyon değerlendirme metriklerine bakmak ve tahminleri hedeflerin gerçek değerlerine karşı görselleştirmektir. Mükemmel tahminler, böyle bir grafikte düz, çapraz bir çizgi oluşturur; bu da fiyat değişimlerinin farklı bölgelerinde tahminlerimizin nasıl gittiğini göz kararı görmeyi kolaylaştırır. Tahminler ve gerçek değerler için saçılım grafiği oluşturmak üzere matplotlib'in .scatter() fonksiyonunu kullanabiliriz.
Bu egzersiz, kursun bir parçasıdır
Python ile Finans için Machine Learning
Egzersiz talimatları
- Noktalar için %20 opaklıkla
test_predictionsiletest_targets'ı bir saçılım grafiğinde göster (alphaparametresiyle opaklığı ayarla). - Mükemmel tahmin çizgisini, x ekseninin minimum ve maksimum değerlerini (
xmin,xmax) kullanaraknp.arange()ile çiz. - Grafikte lejantı
plt.legend()ile görüntüle.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Scatter the predictions vs the targets with 20% opacity
plt.scatter(train_predictions, train_targets, alpha=0.2, color='b', label='train')
plt.scatter(____, ____, ____, color='r', label='test')
# Plot the perfect prediction line
xmin, xmax = plt.xlim()
plt.plot(np.arange(xmin, xmax, 0.01), np.arange(____, ____, 0.01), c='k')
# Set the axis labels and show the plot
plt.xlabel('predictions')
plt.ylabel('actual')
____ # show the legend
plt.show()