檢查結果
當我們有了最佳化後的模型，就該更進一步檢查它的表現。我們已經看過 R\(^2\) 分數，但把預測值與實際值畫在圖上常常更有幫助。我們可以用決策樹模型的 .predict() 方法，對訓練集和測試集進行預測。
理想情況下，你會看到從左下到右上的對角線。然而，由於決策樹本身較為簡單，我們的模型在測試集上表現不會太好。不過在訓練集上會表現不錯。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 建立一個
DecisionTreeRegressor模型，命名為decision_tree，並將max_depth超參數設為 3。 - 使用我們的決策樹模型，對訓練集與測試集（
train_features與test_features）進行預測。 - 使用
plt.scatter()將訓練與測試的預測值分別與實際目標值作散佈圖，並在測試集的圖上將label參數設為test。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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()