Оцініть якість роботи

Тепер, коли ми натренували нашу нейромережу, перевірмо якість, щоб побачити, наскільки добре модель передбачає нові значення. У таких моделях немає вбудованого методу .score(), як у sklearn, тому скористаємося функцією r2_score() з sklearn.metrics. Вона обчислює показник R\(^2\) за аргументами (y_true, y_predicted). Також знову побудуємо графік наших передбачень проти фактичних значень. Незабаром це дасть цікаві результати (щойно ми реалізуємо власну функцію втрат).

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Отримайте передбачення від model_1 на масштабованих тестових даних (scaled_test_features і test_targets).
Виведіть показник R\(^2\) на тестовій вибірці (test_targets і test_preds).
Побудуйте розсіювальний графік test_preds проти test_targets за допомогою plt.scatter().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

from sklearn.metrics import r2_score

# Calculate R^2 score
train_preds = model_1.predict(scaled_train_features)
test_preds = model_1.predict(____)
print(r2_score(train_targets, train_preds))
print(r2_score(____, ____))

# Plot predictions vs actual
plt.scatter(train_preds, train_targets, label='train')
plt.scatter(____)
plt.legend()
plt.show()

Редагувати та запускати код