Перевіряємо результати
Коли ми маємо оптимізовану модель, варто детальніше перевірити, як вона працює. Ми вже бачили метрику R\(^2\), але корисно також подивитися на графік передбачень порівняно з фактичними значеннями. Ми можемо використати метод .predict() нашої моделі дерева рішень, щоб отримати передбачення на тренувальній і тестовій вибірках.
В ідеалі ми хочемо бачити діагональні лінії від нижнього лівого до верхнього правого кута. Однак через простоту дерев рішень наша модель не покаже гарний результат на тестовій вибірці. Зате вона добре „вляжеться" на тренувальній.
Ця вправа є частиною курсу
Machine Learning для фінансів у Python
Інструкції до вправи
- Створіть модель
DecisionTreeRegressorз назвоюdecision_tree, використавши значення 3 для гіперпараметраmax_depth. - Зробіть передбачення на тренувальній і тестовій вибірках (
train_featuresіtest_features) за допомогою нашої моделі дерева рішень. - Побудуйте точкові діаграми передбачень для тренувальної та тестової вибірок проти фактичних цільових значень за допомогою
plt.scatter(), і встановіть аргументlabelрівнимtestдля тестової вибірки.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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()