Trénování RF regresoru

V následujících cvičeních budeš předpovídat poptávku po půjčování kol v programu Capital Bikeshare ve Washingtonu, D.C., a to na základě historických meteorologických dat z datasetu Bike Sharing Demand dostupného na Kaggle. K tomu využiješ algoritmus náhodných lesů (random forests). Jako první krok definuješ regresor náhodných lesů a natrénuješ ho na trénovací sadě.

Dataset je připravený a rozdělený na 80 % trénovací a 20 % testovací část. Matice příznaků X_train a pole y_train jsou k dispozici v tvém pracovním prostředí.

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in Python

Zobrazit kurz

Pokyny k cvičení

Importuj RandomForestRegressor z sklearn.ensemble.
Vytvoř instanci RandomForestRegressor s názvem rf složenou z 25 stromů.
Natrénuj rf na trénovací sadě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import RandomForestRegressor
____

# Instantiate rf
rf = ____(n_estimators=____,
            random_state=2)
            
# Fit rf to the training set    
____.____(____, ____)

Upravit a spustit kód