Einen Random Forest fitten

Data Scientists nutzen häufig Random-Forest-Modelle. Sie liefern schon ohne viel Tuning gute Ergebnisse und bieten viele Einstellungen zur Leistungsoptimierung. Random Forests können für Klassifikation oder Regression eingesetzt werden; wir verwenden ihn hier für Regression, um die zukünftige Kursänderung von LNG vorherzusagen.

Wir erstellen und fitten das Random-Forest-Modell ähnlich wie die Entscheidungsbäume mit der Methode .fit(features, targets). Mit sklearns RandomForestRegressor gibt es eine eingebaute .score()-Methode zur Leistungsbewertung. Diese nimmt die Argumente (features, targets) entgegen und gibt den R\(^2\)-Score (Bestimmtheitsmaß) zurück.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Erstelle das Random-Forest-Modell mit der importierten Klasse RandomForestRegressor.
Fitte (trainiere) den Random Forest mit train_features und train_targets.
Gib den R\(^2\)-Score auf den Trainings- und Testdaten aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

from sklearn.ensemble import RandomForestRegressor

# Create the random forest model and fit to the training data
rfr = ____(n_estimators=200)
rfr.fit(____, ____)

# Look at the R^2 scores on train and test
print(rfr.score(train_features, train_targets))
print(____)

Code bearbeiten und ausführen