Natrénuj random forest
Datoví vědci často sahají po modelech typu random forest. Fungují dobře hned po nasazení a nabízejí spoustu nastavení pro ladění výkonu. Random forests lze použít ke klasifikaci i regresi – my je využijeme k regresi a budeme předpovídat budoucí změnu ceny akcie LNG.
Model random forestu vytvoříme a natrénujeme podobně jako rozhodovací stromy – metodou .fit(features, targets). Sklearn's RandomForestRegressor má také vestavěnou metodu .score() pro vyhodnocení výkonu. Ta přijímá argumenty (features, targets) a vrací skóre R\(^2\) (koeficient determinace).
Toto cvičení je součástí kurzu
Machine Learning for Finance in Python
Pokyny k cvičení
- Vytvoř model random forestu pomocí importované třídy
RandomForestRegressor. - Natrénuj random forest na datech
train_featuresatrain_targets. - Vypiš skóre R\(^2\) pro trénovací i testovací sadu.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.ensemble import RandomForestRegressor
# Create the random forest model and fit to the training data
rfr = ____(n_estimators=200)
rfr.fit(____, ____)
# Look at the R^2 scores on train and test
print(rfr.score(train_features, train_targets))
print(____)