评估性能
现在我们已经拟合了神经网络，来检查一下性能，看看模型对新值的预测效果如何。与 sklearn 模型不同，没有内置的 .score() 方法，因此我们将使用 sklearn.metrics 中的 r2_score() 函数。该函数在给定 (y_true, y_predicted) 参数时计算 R\(^2\) 分数。我们还会再次绘制预测值与真实值的对比图。很快这会产生一些有趣的结果（等我们实现自定义损失函数之后）。
本练习是课程的一部分
Python 金融机器学习
练习说明
- 使用
model_1在经过缩放的测试集数据上获取预测（scaled_test_features和test_targets）。 - 打印测试集上的 R\(^2\) 分数（
test_targets和test_preds）。 - 使用
plt.scatter()绘制散点图，显示test_preds与test_targets的对比。
交互式实操练习
通过完成这段示例代码来试试这个练习。
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()