Addestra un decision tree

I random forest sono un modello di riferimento per le previsioni: funzionano bene già senza molte impostazioni. Ma prima impariamo il mattone di base dei random forest: i decision tree.

I decision tree suddividono i dati in gruppi in base alle feature. Partono da un nodo radice e continuano a dividere i dati finché non arriviamo ai nodi foglia.

decision tree

Possiamo usare sklearn per addestrare un decision tree con DecisionTreeRegressor e .fit(features, targets).

Senza limitare la profondità (o altezza) dell'albero, continuerà a fare split finché ogni foglia non conterrà 1 solo campione: è l'emblema dell'overfitting. Impareremo di più sull'overfitting nei prossimi capitoli.

Questo esercizio fa parte del corso

Machine Learning per la finanza in Python

Visualizza corso

Istruzioni dell'esercizio

Usa la classe importata DecisionTreeRegressor con gli argomenti predefiniti (cioè senza argomenti) per creare un modello di decision tree chiamato decision_tree.
Addestra il modello usando train_features e train_targets che abbiamo creato in precedenza (e che ora includono le feature giorno della settimana e volume).
Stampa lo score sia su feature e target di training, sia su test_features e test_targets.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

from sklearn.tree import DecisionTreeRegressor

# Create a decision tree regression model with default arguments
decision_tree = ____

# Fit the model to the training features and targets
decision_tree.fit(____)

# Check the score on train and test
print(decision_tree.score(train_features, train_targets))
print(decision_tree.score(____))

Modifica ed esegui il codice