Einen Entscheidungsbaum fitten

Random Forests sind ein Standardmodell für Vorhersagen; sie liefern oft schon ohne Feinabstimmung gute Ergebnisse. Zuerst schauen wir uns aber den Baustein von Random Forests an – Entscheidungsbäume.

Entscheidungsbäume teilen die Daten anhand der Features in Gruppen auf. Sie starten an einem Wurzelknoten und splitten die Daten weiter auf, bis wir Blattknoten erreichen.

decision tree

Mit sklearn können wir mit DecisionTreeRegressor und .fit(features, targets) einen Entscheidungsbaum fitten.

Wenn wir die Tiefe (oder Höhe) des Baums nicht begrenzen, wird weiter gesplittet, bis jedes Blatt genau 1 Sample enthält – das ist das Paradebeispiel für Overfitting. In den nächsten Kapiteln lernst du mehr über Overfitting.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Verwende die importierte Klasse DecisionTreeRegressor mit Standardargumenten (also ohne Argumente), um ein Entscheidungsbaum-Modell namens decision_tree zu erstellen.
Fitte das Modell mit train_features und train_targets, die wir zuvor erstellt haben (und die jetzt Wochentag- und Volumen-Features enthalten).
Gib den Score auf den Trainings-Features und -Targets sowie auf test_features und test_targets aus.

Interaktive praktische Übung

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

from sklearn.tree import DecisionTreeRegressor

# Create a decision tree regression model with default arguments
decision_tree = ____

# Fit the model to the training features and targets
decision_tree.fit(____)

# Check the score on train and test
print(decision_tree.score(train_features, train_targets))
print(decision_tree.score(____))

Code bearbeiten und ausführen