1. Apprendre
    2. /
  2. Cours
    3. /
  3. Machine Learning pour la finance en Python
Connected

Exercice

Optimiser n_neighbors

Maintenant que nos données sont mises à l'échelle, nous pouvons essayer un modèle KNN. Pour maximiser la performance, nous devrions régler les hyperparamètres du modèle. Pour l'algorithme des plus proches voisins, il n'y a qu'un seul hyperparamètre : n, le nombre de voisins. Nous définissons cet hyperparamètre lorsque nous créons le modèle avec KNeighborsRegressor. L'argument pour le nombre de voisins est n_neighbors.

Nous voulons essayer un éventail de valeurs qui passe par le réglage offrant la meilleure performance. En général, on commence avec 2 voisins et on augmente jusqu'à ce que notre mesure de pointage commence à diminuer. Ici, nous utiliserons la valeur R\(^2\) retournée par la méthode .score() sur l'ensemble de test (scaled_test_features et test_targets) pour optimiser n. Nous utiliserons les scores de l'ensemble de test pour déterminer le meilleur n.

Instructions

100 XP
  • Parcourez les valeurs de 2 à 12 pour n et affectez-les à n_neighbors dans le modèle knn.
  • Ajustez le modèle aux données d'entraînement (scaled_train_features et train_targets).
  • Affichez les valeurs R\(^2\) à l'aide de la méthode .score() du modèle knn pour les ensembles d'entraînement et de test, puis notez le meilleur score sur l'ensemble de test.