Addestra una random forest
I data scientist usano spesso i modelli random forest. Funzionano bene già senza molte impostazioni e offrono molte opzioni per ottimizzare le prestazioni. Le random forest possono essere usate per classificazione o regressione; qui le useremo per la regressione, per prevedere la variazione futura del prezzo di LNG.
Creeremo e addestreremo il modello random forest in modo simile agli alberi decisionali usando il metodo .fit(features, targets). Con RandomForestRegressor di sklearn, c'è un metodo integrato .score() che possiamo usare per valutare le prestazioni. Questo accetta gli argomenti (features, targets) e restituisce lo score R\(^2\) (coefficiente di determinazione).
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Crea il modello random forest con la classe
RandomForestRegressorimportata. - Addestra (train) la random forest usando
train_featuresetrain_targets. - Stampa lo score R\(^2\) sui set di training e di test.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
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(____)