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

ćwiczenie

Przewidywanie za pomocą lasu losowego

Aby dopasować model uczenia maszynowego do przewidywania optymalnych portfeli, musimy utworzyć zbiory treningowy i testowy do oceny wydajności. Postąpimy tak samo jak w poprzednich rozdziałach – weźmiemy tablice features i targets, a następnie podzielimy je na podstawie ustawionego parametru train_size. Zazwyczaj rozmiar zbioru treningowego wynosi około 70–90% danych.

Następnie dopasowujemy model (w tym przypadku las losowy) do danych treningowych i oceniamy wyniki R\(^2\) dla zbiorów treningowego i testowego przy użyciu metody .score(). Hiperparametry zostały już tu ustawione, ale zwykle warto przeprowadzić ich przeszukiwanie za pomocą ParameterGrid, tak jak robiliśmy to w poprzednich rozdziałach.

Instrukcje

100 XP
  • Ustaw train_size na 85% pełnego zbioru danych, korzystając z właściwości .shape tablicy features.
  • Utwórz zbiory treningowy i testowy zmiennej targets, używając indeksowania w Pythonie.
  • Dopasuj model lasu losowego do train_features i train_targets.