Vorhersagen mit einem Random Forest treffen

Um ein Machine-Learning-Modell zur Vorhersage optimaler Portfolios zu trainieren, müssen wir Trainings- und Testsets zur Leistungsbewertung erstellen. Das machen wir wie in den vorherigen Kapiteln: Wir nehmen unsere Arrays features und targets und splitten sie basierend auf einer von uns gesetzten train_size. Häufig liegt die Trainingsgröße bei etwa 70–90 % unserer Daten.

Anschließend trainieren wir unser Modell (hier einen Random Forest) auf den Trainingsdaten und bewerten die R\(^2\)-Scores auf Train und Test mit .score() aus unserem Modell. In diesem Fall wurden die Hyperparameter für dich gesetzt, aber normalerweise würdest du wie in den vorherigen Kapiteln mit ParameterGrid eine Suche durchführen.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Setze train_size auf 85 % der gesamten Trainingsdaten mithilfe der Eigenschaft .shape von features.
Erzeuge Trainings- und Test-Ziele aus targets mithilfe der Python-Indizierung.
Trainiere das Random-Forest-Modell mit train_features und train_targets.

Interaktive praktische Übung

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

# Make train and test features
train_size = int(0.85 * ____)
train_features = features[:train_size]
test_features = features[train_size:]
train_targets = targets[____]
test_targets = targets[____]

# Fit the model and check scores on train and test
rfr = RandomForestRegressor(n_estimators=300, random_state=42)
rfr.fit(____, ____)
print(rfr.score(train_features, train_targets))
print(rfr.score(test_features, test_targets))

Code bearbeiten und ausführen