Ajusta un random forest
Las personas que trabajan con datos usan a menudo modelos de random forest. Funcionan bien desde el primer momento y tienen muchos parámetros para optimizar el rendimiento. Los random forests pueden usarse para clasificación o regresión; aquí lo usaremos para regresión y predecir el cambio futuro de precio de LNG.
Crearemos y ajustaremos el modelo de random forest de forma similar a los árboles de decisión usando el método .fit(features, targets). Con el RandomForestRegressor de sklearn, hay un método .score() integrado que podemos usar para evaluar el rendimiento. Este recibe (features, targets) como argumentos y devuelve la puntuación R\(^2\) (el coeficiente de determinación).
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
Instrucciones del ejercicio
- Crea el modelo de random forest con la clase importada
RandomForestRegressor. - Ajusta (entrena) el random forest usando
train_featuresytrain_targets. - Imprime la puntuación R\(^2\) en los conjuntos de entrenamiento y prueba.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
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(____)