Coba berbagai kedalaman maksimum

Kita selalu ingin mengoptimalkan model Machine Learning agar menghasilkan prediksi sebaik mungkin. Kita dapat melakukannya dengan menala hyperparameter, yaitu pengaturan untuk model kita. Anda akan melihat lebih rinci bagaimana ini bermanfaat di bab-bab berikutnya, tetapi untuk sekarang anggap saja sebagai kenop yang dapat kita putar untuk menyetel prediksi agar seakurat mungkin.

Untuk decision tree biasa, hyperparameter yang paling penting kemungkinan adalah max_depth. Ini membatasi jumlah pemisahan (split) dalam sebuah decision tree. Mari kita cari nilai max_depth terbaik berdasarkan skor R\(^2\) dari model kita pada himpunan uji, yang dapat kita peroleh menggunakan metode score() dari model decision tree kita.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Lakukan perulangan pada nilai 3, 5, dan 10 untuk digunakan sebagai parameter max_depth dalam model decision tree kita.
Tetapkan parameter max_depth pada DecisionTreeRegressor agar sama dengan d di setiap iterasi perulangan.
Cetak skor model pada train_features dan train_targets.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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')

Edit dan Jalankan Kode