Ajusta un árbol de decisión

Los random forests son un modelo de referencia para hacer predicciones; suelen funcionar bien sin demasiada configuración. Pero antes, vamos a aprender la pieza fundamental de los random forests: los árboles de decisión.

Los árboles de decisión dividen los datos en grupos en función de las características. Comienzan con un nodo raíz y van dividiendo los datos hasta llegar a nodos hoja.

decision tree

Podemos usar sklearn para ajustar un árbol de decisión con DecisionTreeRegressor y .fit(features, targets).

Si no limitas la profundidad (o altura) del árbol, seguirá dividiendo los datos hasta que cada hoja tenga una única muestra, que es el colmo del sobreajuste. Verás más sobre sobreajuste en los próximos capítulos.

Este ejercicio forma parte del curso

Machine Learning para finanzas con Python

Ver curso

Instrucciones del ejercicio

Usa la clase importada DecisionTreeRegressor con los argumentos por defecto (es decir, sin argumentos) para crear un modelo de árbol de decisión llamado decision_tree.
Ajusta el modelo usando train_features y train_targets, que creamos antes (y que ahora contienen las características de día de la semana y volumen).
Imprime la puntuación sobre las características y los objetivos de entrenamiento, además de test_features y test_targets.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

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(____))

Editar y ejecutar código