Een random forest fitten
Data scientists gebruiken vaak random forest-modellen. Ze presteren direct al goed en hebben veel instellingen om de prestaties te optimaliseren. Random forests kunnen worden gebruikt voor classificatie of regressie; wij gebruiken het voor regressie om de toekomstige prijsverandering van LNG te voorspellen.
We maken en fitten het random forest-model op dezelfde manier als de decision trees met de methode .fit(features, targets). Met de RandomForestRegressor van sklearn is er een ingebouwde .score()-methode die we kunnen gebruiken om de prestaties te evalueren. Deze neemt (features, targets) als argumenten en geeft de R\(^2\)-score terug (de determinatiecoëfficiënt).
Deze oefening maakt deel uit van de cursus
Machine Learning voor finance in Python
Oefeninstructies
- Maak het random forest-model met de geïmporteerde klasse
RandomForestRegressor. - Fit (train) het random forest met
train_featuresentrain_targets. - Print de R\(^2\)-score voor de train- en testsets.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
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(____)