Wypróbuj różne wartości max_depth

Dobry model uczenia maszynowego wymaga starannego dostrojenia, aby jak najlepiej przewidywać wartości. Służą do tego hiperparametry – ustawienia modelu, którymi można sterować jak pokrętłami, aby uzyskać jak najdokładniejsze prognozy. Więcej na ich temat dowiesz się w kolejnych rozdziałach.

W przypadku zwykłych drzew decyzyjnych najważniejszym hiperparametrem jest prawdopodobnie max_depth. Określa on maksymalną liczbę podziałów w drzewie decyzyjnym. Znajdźmy najlepszą wartość max_depth na podstawie współczynnika R\(^2\) modelu na zbiorze testowym – możemy go uzyskać za pomocą metody score() naszych modeli drzew decyzyjnych.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w finansach z Pythonem

Zobacz kurs

Instrukcje do ćwiczenia

Przejdź w pętli przez wartości 3, 5 i 10, które posłużą jako parametr max_depth w modelu drzewa decyzyjnego.
W każdej iteracji pętli ustaw parametr max_depth w DecisionTreeRegressor na wartość d.
Wyświetl wynik modelu na danych train_features i train_targets.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Loop through a few different max depths and check the performance
for d in [____]:
    # Create the tree and fit it
    decision_tree = DecisionTreeRegressor(____)
    decision_tree.fit(train_features, train_targets)

    # Print out the scores on train and test
    print('max_depth=', str(d))
    print(decision_tree.score(____))
    print(decision_tree.score(test_features, test_targets), '\n')

Edytuj i uruchom kod