1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe w finansach z Pythonem
Connected

ćwiczenie

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).

Instrukcje

100 XP
  • Utwórz model lasu losowego, korzystając z zaimportowanej klasy RandomForestRegressor.
  • Dopasuj (wytrenuj) las losowy, używając train_features i train_targets.
  • Wyświetl wartość R\(^2\) dla zbioru treningowego i testowego.