अलग-अलग max depth आज़माएँ

हम हमेशा चाहते हैं कि हमारे मशीन लर्निंग मॉडल जितनी अच्छी भविष्यवाणी कर सकें, उतनी करें. इसके लिए हम हाइपरपैरामीटर्स को ट्यून करते हैं, जो हमारे मॉडलों की सेटिंग्स होती हैं. आगे के चैप्टर्स में आप इन्हें विस्तार से देखेंगे, फिलहाल आप इन्हें ऐसे समझिए जैसे कुछ नॉब्स जिन्हें घुमाकर हम अपनी भविष्यवाणियों की गुणवत्ता बेहतर कर सकते हैं.

साधारण decision trees के लिए सबसे महत्वपूर्ण हाइपरपैरामीटर शायद max_depth है. यह decision tree में होने वाले splits की अधिकतम संख्या को सीमित करता है. आइए टेस्ट सेट पर हमारे मॉडल के R\(^2\) स्कोर के आधार पर max_depth का सबसे अच्छा मान ढूँढें, जिसे हम अपने decision tree मॉडलों के score() मेथड से प्राप्त कर सकते हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Finance के लिए Machine Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

हमारे decision tree मॉडल में max_depth पैरामीटर के रूप में 3, 5, और 10 के मानों पर लूप चलाएँ.
प्रत्येक लूप iteration में DecisionTreeRegressor के max_depth पैरामीटर को d के बराबर सेट करें.
मॉडल का स्कोर train_features और train_targets पर प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Loop through a few different max depths and check the performance
for d in [____]:
    # Create the tree and fit it
    decision_tree = DecisionTreeRegressor(____)
    decision_tree.fit(train_features, train_targets)

    # Print out the scores on train and test
    print('max_depth=', str(d))
    print(decision_tree.score(____))
    print(decision_tree.score(test_features, test_targets), '\n')

कोड संपादित करें और चलाएँ