Ajuster une random forest
Les data scientists utilisent souvent les modèles de random forest. Ils offrent de bonnes performances par défaut et disposent de nombreux paramètres pour optimiser les résultats. Les random forests peuvent servir à la classification ou à la régression ; nous allons les utiliser pour la régression afin de prédire l'évolution future du prix de LNG.
Nous allons créer et ajuster le modèle de random forest de la même manière que les arbres de décision avec la méthode .fit(features, targets). Avec RandomForestRegressor de sklearn, il existe une méthode intégrée .score() pour évaluer les performances. Elle prend en arguments (features, targets) et renvoie le score R\(^2\) (coefficient de détermination).
Cet exercice fait partie du cours
<cours>Machine Learning pour la finance en Python</cours>Instructions de l’exercice
- Créez le modèle de random forest avec la classe
RandomForestRegressorimportée. - Ajustez (entraînez) la random forest en utilisant
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(____)