ランダムフォレストのfit（学習）
データサイエンティストはランダムフォレストモデルをよく活用します。デフォルトの設定でも高い性能を発揮し、パフォーマンスを最適化するための設定項目も豊富です。ランダムフォレストは分類にも回帰にも使用できます。ここでは回帰として用い、LNGの将来の価格変動を予測しましょう。
ランダムフォレストモデルの作成とfit（学習）は、決定木と同様に .fit(features, targets) メソッドで行います。sklearnの RandomForestRegressor には、モデルの評価に使用できる .score() メソッドが組み込まれています。このメソッドは引数として (features, targets) を受け取り、R$^2$スコア（決定係数）を返します。
この演習はコースの一部です
Python による金融のための Machine Learning
演習の手順
- インポート済みの
RandomForestRegressorクラスを使って、ランダムフォレストモデルを作成してください。 train_featuresとtrain_targetsを使って、ランダムフォレストをfit（学習）させてください。- 訓練セットとテストセットのR$^2$スコアを出力してください。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
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(____)