Buat prediksi dengan random forest

Untuk melatih model Machine Learning yang memprediksi portofolio ideal, kita perlu membuat himpunan latih dan uji untuk mengevaluasi kinerja. Kita akan melakukannya seperti pada bab sebelumnya, yaitu mengambil array features dan targets, lalu membaginya berdasarkan train_size yang kita tetapkan. Ukuran latih sering kali sekitar 70–90% dari data.

Selanjutnya kita melatih model (random forest dalam kasus ini) pada data latih, dan mengevaluasi skor R\(^2\) pada latih dan uji menggunakan .score() dari model kita. Dalam kasus ini, hiperparameter telah ditetapkan untuk Anda, namun biasanya Anda ingin melakukan pencarian dengan ParameterGrid seperti yang kita lakukan pada bab sebelumnya.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Tetapkan train_size menjadi 85% dari keseluruhan data latih menggunakan properti .shape dari features.
Buat target latih dan uji dari targets menggunakan pengindeksan Python.
Latih model random forest pada train_features dan train_targets.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Make train and test features
train_size = int(0.85 * ____)
train_features = features[:train_size]
test_features = features[train_size:]
train_targets = targets[____]
test_targets = targets[____]

# Fit the model and check scores on train and test
rfr = RandomForestRegressor(n_estimators=300, random_state=42)
rfr.fit(____, ____)
print(rfr.score(train_features, train_targets))
print(rfr.score(test_features, test_targets))

Edit dan Jalankan Kode