"""# Évaluation de la qualité du modèle"""

model.evaluate(X_test,y_test,verbose=1)

"""Prédiction des températures avec les données de test (et non les données d'entrainement)"""

test_predictions = model.predict(X_test)

test_predictions = pd.Series(test_predictions.reshape(len(X_test,)))
pred_df = pd.DataFrame(y_test,columns=['Test y'])
pred_df = pd.concat([pred_df,test_predictions],axis=1)
pred_df.columns = ['Test y','Model predictions']

"""Graphique des données observées (Test y) V. les données prédites par le modèle :"""

sns.scatterplot(x='Test y',y='Model predictions',data=pred_df)

"""Importation de la fonction Sklearn pour calculer les erreurs"""

from sklearn.metrics import mean_absolute_error, mean_squared_error

"""Nous voici avec une erreur moyenne absolue de :"""

mean_absolute_error(pred_df['Test y'],pred_df['Model predictions'])

"""À comparer avec la moyenne des températures (pour se faire une idée d ela qualité du modèle)"""

df['Temperature (C)'].mean()

"""Le modèle n'est donc pas TRÈS bon, mais on a appris des choses... :)"""