Оцінювання продуктивності KNN

Ми щойно побачили кілька речей у наших оцінках KNN. По-перше, тренувальні бали починалися високими й зменшувалися зі збільшенням n, що є типовим. Продуктивність на тестовій вибірці досягла піку при 5, і ми використаємо це значення як налаштування у фінальній моделі KNN.

Як ми вже робили кілька разів, перевіримо продуктивність візуально. Це допоможе побачити, наскільки добре модель передбачає в різних діапазонах фактичних значень. Отримаємо передбачення з нашої моделі knn за допомогою методу .predict() на масштабованих ознаках. Потім скористаємося plt.scatter() з matplotlib, щоб створити точкову діаграму фактичних значень проти передбачених.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Встановіть n_neighbors у KNeighborsRegressor на найкраще значення 5 (знайдене в попередній вправі).
Отримайте передбачення за допомогою моделі knn з scaled_train_features і scaled_test_features.
Створіть точкову діаграму test_targets проти test_predictions і позначте її як test.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код