Začněte nyníZačněte zdarma

Trpí model underfittingem?

Vytváříš model náhodného lesa pro předpověď, zda vyhraješ budoucí hru Tic-Tac-Toe. Z datasetu tic_tac_toe jsi sestavil/a trénovací a testovací datové sady: X_train, X_test, y_train a y_test.

Rozhodl/a ses vytvořit několik modelů náhodného lesa s různým počtem stromů (1, 2, 3, 4, 5, 10, 20 a 50). Čím více stromů použiješ, tím déle bude model trvat. Pokud jich ale použiješ příliš málo, hrozí underfitting. Pomocí cyklu for otestuješ model při různých počtech stromů.

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • V každé iteraci cyklu předpověz hodnoty pro datové sady X_train i X_test.
  • V každé iteraci cyklu přidej accuracy_score() datové sady y_train a odpovídajících predikcí do train_scores.
  • V každé iteraci cyklu přidej accuracy_score() datové sady y_test a odpovídajících predikcí do test_scores.
  • Vypiš trénovací a testovací skóre pomocí připravených příkazů print.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.metrics import accuracy_score

test_scores, train_scores = [], []
for i in [1, 2, 3, 4, 5, 10, 20, 50]:
    rfc = RandomForestClassifier(n_estimators=i, random_state=1111)
    rfc.fit(X_train, y_train)
    # Create predictions for the X_train and X_test datasets.
    train_predictions = rfc.predict(____)
    test_predictions = rfc.predict(____)
    # Append the accuracy score for the test and train predictions.
    train_scores.append(round(____(____, ____), 2))
    test_scores.append(round(____(____, ____), 2))
# Print the train and test scores.
print("The training scores were: {}".format(____))
print("The testing scores were: {}".format(____))
Upravit a spustit kód