Dopasowanie modelu lasu losowego
Lasy losowe to jeden z najczęściej stosowanych modeli w pracy badacza danych. Sprawdzają się świetnie bez konieczności długiego dostrajania, a jednocześnie oferują wiele ustawień, które pozwalają jeszcze bardziej zoptymalizować wyniki. Lasy losowe można stosować zarówno do klasyfikacji, jak i do regresji – tutaj użyjemy ich do regresji, aby przewidzieć przyszłą zmianę ceny akcji LNG.
Model lasu losowego tworzymy i dopasowujemy podobnie jak drzewo decyzyjne – za pomocą metody .fit(features, targets). Klasa RandomForestRegressor z biblioteki sklearn ma wbudowaną metodę .score(), której możemy użyć do oceny jakości modelu. Przyjmuje ona argumenty (features, targets) i zwraca wartość R\(^2\) (współczynnik determinacji).
To ćwiczenie jest częścią kursu
Uczenie maszynowe w finansach z Pythonem
Instrukcje do ćwiczenia
- Utwórz model lasu losowego, korzystając z zaimportowanej klasy
RandomForestRegressor. - Dopasuj (wytrenuj) las losowy, używając
train_featuresitrain_targets. - Wyświetl wartość R\(^2\) dla zbioru treningowego i testowego.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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(____)