Train een decision tree

Random forests zijn een veelgebruikt model voor voorspellingen; ze werken vaak direct goed. Maar we beginnen met de bouwsteen van random forests: decision trees.

Decision trees splitsen de gegevens in groepen op basis van de features. Ze beginnen met een root node en splitsen door totdat we bij leaf nodes uitkomen.

decision tree

We kunnen sklearn gebruiken om een decision tree te trainen met DecisionTreeRegressor en .fit(features, targets).

Als je de diepte (of hoogte) van de boom niet beperkt, blijft hij splitsen totdat elk leaf 1 sample bevat — hét schoolvoorbeeld van overfitting. In de volgende hoofdstukken leer je meer over overfitting.

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Gebruik de geïmporteerde klasse DecisionTreeRegressor met standaardargumenten (dus zonder argumenten) om een decision tree-model te maken met de naam decision_tree.
Train het model met train_features en train_targets die we eerder hebben gemaakt (en nu dag-van-de-week- en volume-features bevatten).
Print de score op de trainings-features en -targets, en ook op test_features en test_targets.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

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(____))

Code bewerken en uitvoeren