Візуалізуйте результати
Ми натренували модель із користувацькою функцією втрат, і час подивитися, як вона працює. Перевіримо значення R\(^2\) знову за допомогою функції r2_score() з sklearn, а також побудуємо діаграму розсіювання „прогнози проти фактичних значень" за допомогою plt.scatter(). Це дасть цікаві результати!
Ця вправа є частиною курсу
Machine Learning для фінансів у Python
Інструкції до вправи
- Створіть прогнози на тестовій вибірці за допомогою
.predict(),model_2іscaled_test_features. - Оцініть метрику R\(^2\) для прогнозів на тестовій вибірці, використовуючи
test_predsіtest_targets. - Побудуйте діаграму розсіювання цільових значень тестової вибірки проти фактичних значень за допомогою
plt.scatter()і додайте мітку'test'.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Evaluate R^2 scores
train_preds = model_2.predict(scaled_train_features)
test_preds = ____
print(r2_score(train_targets, train_preds))
print(____)
# Scatter the predictions vs actual -- this one is interesting!
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____) # plot test set
plt.legend(); plt.show()