Đo lường hiệu năng
Giờ bạn đã fit xong mạng nơ-ron, hãy kiểm tra hiệu năng để xem mô hình dự đoán giá trị mới tốt đến đâu. Không có phương thức .score() dựng sẵn như ở các mô hình sklearn, nên ta sẽ dùng hàm r2_score() từ sklearn.metrics. Hàm này tính điểm R\(^2\) với các đối số (y_true, y_predicted). Ta cũng sẽ vẽ lại biểu đồ so sánh dự đoán với giá trị thực. Sắp tới bạn sẽ thấy một số kết quả thú vị (khi chúng ta tự triển khai hàm mất mát tùy chỉnh).
Bài tập này là một phần của khóa học
Machine Learning cho Tài chính bằng Python
Hướng dẫn bài tập
- Lấy dự đoán từ
model_1trên dữ liệu tập kiểm tra đã được scale (scaled_test_featuresvàtest_targets). - In điểm R\(^2\) trên tập kiểm tra (
test_targetsvàtest_preds). - Vẽ
test_predsso vớitest_targetsbằng biểu đồ scatter vớiplt.scatter().
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
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()