Ajuster une forêt aléatoire
Les spécialistes des données utilisent souvent les modèles de forêt aléatoire. Ils donnent de bons résultats sans réglages et offrent de nombreux paramètres pour optimiser la performance. Les forêts aléatoires peuvent servir à la classification ou à la régression; nous allons les utiliser pour une régression afin de prédire la variation future du prix de LNG.
Nous allons créer et ajuster le modèle de forêt aléatoire de la même façon que les arbres de décision, à l'aide de la méthode .fit(features, targets). Avec RandomForestRegressor de sklearn, il existe une méthode intégrée .score() pour évaluer la performance. Elle prend comme arguments (features, targets) et retourne le score R\(^2\) (le coefficient de détermination).
Cette activité fait partie du cours
Machine Learning pour la finance en Python
Instructions de l’exercice
- Créez le modèle de forêt aléatoire avec la classe
RandomForestRegressorimportée. - Ajustez (entraîner) la forêt aléatoire avec
train_featuresettrain_targets. - Affichez le score R\(^2\) sur les ensembles d'entraînement et de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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(____)