Budowanie modelu lasu losowego
Ponownie skorzystasz ze zbioru danych Pima Indians, aby przewidzieć, czy dana osoba ma cukrzycę – tym razem za pomocą klasyfikatora lasu losowego. Dopasuj model do danych treningowych po wykonaniu podziału na zbiór treningowy i testowy, a następnie sprawdź wartości ważności cech.
Zbiory cech i wartości docelowych zostały wcześniej wczytane jako X i y. Podobnie jak niezbędne pakiety i funkcje.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w Pythonie
Instrukcje do ćwiczenia
- Ustaw rozmiar zbioru testowego na 25%, aby wykonać podział 75%–25% na zbiór treningowy i testowy.
- Dopasuj klasyfikator lasu losowego do danych treningowych.
- Oblicz dokładność na zbiorze testowym.
- Wydrukuj wartości ważności dla każdej cechy.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Perform a 75% training and 25% test data split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=____, random_state=0)
# Fit the random forest model to the training data
rf = RandomForestClassifier(random_state=0)
rf.____(____, ____)
# Calculate the accuracy
acc = accuracy_score(____, ____)
# Print the importances per feature
print(dict(zip(X.columns, rf.____.round(2))))
# Print accuracy
print(f"{acc:.1%} accuracy on test set.")