Dopasowanie drzewa decyzyjnego
Lasy losowe to jeden z najchętniej stosowanych modeli predykcyjnych – działają dobrze od razu po wyjęciu z pudełka. Najpierw jednak poznamy ich podstawowy budulec, czyli drzewa decyzyjne.
Drzewa decyzyjne dzielą dane na grupy na podstawie cech. Podział zaczyna się od węzła głównego i trwa aż do osiągnięcia węzłów liściowych.
Do dopasowania drzewa decyzyjnego możesz użyć biblioteki sklearn – skorzystaj z klasy DecisionTreeRegressor i metody .fit(features, targets).
Jeśli nie ograniczysz głębokości drzewa, będzie ono dzielić dane tak długo, aż każdy liść będzie zawierał dokładnie jedną próbkę. To klasyczny przykład przeuczenia (overfitting). Więcej na ten temat dowiesz się w kolejnych rozdziałach.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w finansach z Pythonem
Instrukcje do ćwiczenia
- Użyj zaimportowanej klasy
DecisionTreeRegressorz domyślnymi argumentami (tzn. bez żadnych argumentów), aby utworzyć model drzewa decyzyjnego o nazwiedecision_tree. - Dopasuj model, korzystając z
train_featuresitrain_targets– zmiennych utworzonych wcześniej, zawierających cechy dotyczące dnia tygodnia i wolumenu. - Wyświetl wynik (score) dla zbioru treningowego (
train_featuresitrain_targets), a także dla zbioru testowego (test_featuresitest_targets).
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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(____))