Random-Forest-Ensemble
Fragen zu Ensemble-Modellen kommen in ML-Vorstellungsgesprächen häufig vor. Wenn du einen Datensatz erhältst und ein sehr genaues Modell bauen sollst, lohnt es sich oft, diese komplexeren Modelle in Betracht zu ziehen.
Deine Aufgabe im restlichen Teil dieser letzten Lektion ist es, zwei verschiedene Ensemble-Modelle für loan_data zu erstellen und zu vergleichen.
In dieser Übung erstellst du ein Random-Forest-Klassifikationsmodell und vergleichst seine Performancemetriken mit dem Modell in der nächsten Übung.
Die Daten sind bereits aufgeteilt und in deinem Workspace als X_train, X_test, y_train und y_test verfügbar.
Diese Übung ist Teil des Kurses
ML-Vorstellungsgespräche in Python üben
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import
from sklearn.ensemble import ____
from sklearn.____ import ____, ____, ____, ____, _____
# Instantiate
rf_model = ____(____=____, random_state=123, oob_score = True)