Ajuster un arbre de décision

Les forêts aléatoires sont souvent le modèle de prédilection pour les prédictions; elles fonctionnent bien telles quelles. Mais commençons par la brique de base des forêts aléatoires : les arbres de décision.

Les arbres de décision scindent les données en groupes selon les caractéristiques. Ils commencent par un nœud racine et divisent les données jusqu'à atteindre des feuilles.

decision tree

Nous pouvons utiliser sklearn pour ajuster un arbre de décision avec DecisionTreeRegressor et .fit(features, targets).

Sans limite sur la profondeur (ou la hauteur) de l'arbre, celui‑ci continuera de diviser les données jusqu'à ce que chaque feuille contienne un seul exemple, ce qui est l'illustration parfaite du surapprentissage. Nous en reparlerons dans les prochains chapitres.

Cette activité fait partie du cours

Machine Learning pour la finance en Python

Voir le cours

Instructions de l’exercice

Utilisez la classe importée DecisionTreeRegressor avec les arguments par défaut (c.-à-d. aucun argument) pour créer un modèle d'arbre de décision nommé decision_tree.
Ajustez le modèle en utilisant train_features et train_targets que nous avons créés plus tôt (ils contiennent maintenant les caractéristiques jour de la semaine et volume).
Affichez le score sur les caractéristiques et cibles d'entraînement, ainsi que sur test_features et test_targets.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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(____))

Modifier et exécuter le code