Una foresta di alberi decisionali
In questo esercizio metterai in pratica l'uso dei Decision Tree con bootstrapping, meglio noti come Random Forest. Come hai fatto nell'esercizio precedente, confronterai poi l'accuratezza con un modello i cui iperparametri sono stati ottimizzati tramite cross-validation.
Questa volta ottimizzerai anche l'iperparametro max_features, che indica al modello quante feature usare. Se non lo imposti esplicitamente, il valore predefinito è auto. Da ricordare per un colloquio: i Decision Tree considerano tutte le feature per impostazione predefinita, mentre le Random Forest in genere considerano la radice quadrata del numero di feature.
La matrice delle feature X, l'etichetta target y e train_test_split da sklearn.model_selection sono già stati importati per te.
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Import modules
from sklearn.ensemble import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_rf = ____()
loans_rf.____(____, ____)
y_pred = loans_rf.____(____)
# Evaluation metric
print("Random Forest Accuracy: {}".format(____(____,____)))