Les rozhodovacích stromů
V tomto cvičení si procvičíš použití rozhodovacího stromu s bootstrappingem, který se nazývá Random Forest. Stejně jako v předchozím cvičení porovnáš jeho přesnost s modelem, u kterého jsi vyladil/a hyperparametry pomocí křížové validace.
Tentokrát navíc vyladíš další hyperparametr, max_features, který modelu umožňuje rozhodnout, kolik příznaků použije. Pokud není explicitně nastaven, výchozí hodnota je auto. Dobré si zapamatovat pro pohovor: rozhodovací stromy ve výchozím nastavení zohledňují všechny příznaky, zatímco Random Forest obvykle uvažuje odmocninu z celkového počtu příznaků.
Matice příznaků X, cílový vektor y a funkce train_test_split z sklearn.model_selection jsou už naimportovány.
Toto cvičení je součástí kurzu
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import modules
from sklearn.ensemble import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_rf = ____()
loans_rf.____(____, ____)
y_pred = loans_rf.____(____)
# Evaluation metric
print("Random Forest Accuracy: {}".format(____(____,____)))