Vyzkoušej různé hodnoty max_depth

Chceme vždy optimalizovat naše modely strojového učení tak, aby dávaly co nejlepší předpovědi. Toho dosáhneme laděním hyperparametrů – tedy nastavení, která ovlivňují chování modelu. V dalších kapitolách se na ně podíváme podrobněji, ale prozatím si je představ jako otočné knoflíky, kterými dolaďujeme přesnost předpovědí.

U klasických rozhodovacích stromů je pravděpodobně nejdůležitějším hyperparametrem max_depth. Ten omezuje počet větvení stromu. Pojďme najít nejlepší hodnotu max_depth na základě skóre R\(^2\) našeho modelu na testovací sadě – získáme ho pomocí metody score() modelů rozhodovacích stromů.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Projdi smyčkou hodnoty 3, 5 a 10, které budeme používat jako parametr max_depth v modelu rozhodovacího stromu.
V každé iteraci smyčky nastav parametr max_depth v DecisionTreeRegressor na hodnotu d.
Vypiš skóre modelu na train_features a train_targets.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Loop through a few different max depths and check the performance
for d in [____]:
    # Create the tree and fit it
    decision_tree = DecisionTreeRegressor(____)
    decision_tree.fit(train_features, train_targets)

    # Print out the scores on train and test
    print('max_depth=', str(d))
    print(decision_tree.score(____))
    print(decision_tree.score(test_features, test_targets), '\n')

Upravit a spustit kód