1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Machine Learning for Finance in Python
Connected

Cvičení

Predikce pomocí náhodného lesa

Abychom mohli natrénovat model strojového učení pro predikci optimálních portfolií, musíme vytvořit trénovací a testovací sady pro vyhodnocení výkonu. Postup bude stejný jako v předchozích kapitolách – pole features a targets rozdělíme podle hodnoty train_size, kterou si nastavíme. Trénovací sada obvykle tvoří přibližně 70–90 % dat.

Model (v tomto případě náhodný les) pak natrénujeme na trénovacích datech a vyhodnotíme skóre R\(^2\) na trénovací i testovací sadě pomocí .score(). Hyperparametry jsou zde nastaveny za tebe, ale běžně bys je hledal/a pomocí ParameterGrid, jak jsme to dělali v předchozích kapitolách.

Pokyny

100 XP
  • Nastav train_size na 85 % celé datové sady pomocí vlastnosti .shape pole features.
  • Vytvoř trénovací a testovací cíle z pole targets pomocí indexování v Pythonu.
  • Natrénuj model náhodného lesa na train_features a train_targets.