Haz predicciones con un random forest

Para ajustar un modelo de Machine Learning que prediga carteras ideales, necesitamos crear conjuntos de entrenamiento y de prueba para evaluar el rendimiento. Haremos lo mismo que en capítulos anteriores: tomamos nuestros arrays features y targets y los separamos en función de un train_size que definimos. A menudo, el tamaño de entrenamiento es alrededor del 70–90% de los datos.

Luego ajustamos nuestro modelo (en este caso, un random forest) con los datos de entrenamiento y evaluamos los puntajes R\(^2\) en entrenamiento y prueba usando .score() del modelo. En este ejercicio, los hiperparámetros ya están definidos, pero normalmente querrías hacer una búsqueda con ParameterGrid como hicimos en capítulos anteriores.

Este ejercicio forma parte del curso

Machine Learning para finanzas con Python

Ver curso

Instrucciones del ejercicio

Establece train_size como el 85% del conjunto de datos de entrenamiento completo usando la propiedad .shape de features.
Crea los objetivos de entrenamiento y prueba a partir de targets usando el indexado de Python.
Ajusta el modelo de random forest con train_features y train_targets.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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))

Editar y ejecutar código