Las drzew decyzyjnych
W tym ćwiczeniu przećwiczysz użycie drzewa decyzyjnego z bootstrappingiem, czyli tak zwanego lasu losowego. Podobnie jak w poprzednim ćwiczeniu, porównasz jego dokładność z modelem, w którym dostroiłeś hiperparametry za pomocą walidacji krzyżowej.
Tym razem dostroisz dodatkowy hiperparametr – max_features – który pozwala modelowi określić, ile cech ma być brane pod uwagę. Gdy nie jest on jawnie ustawiony, przyjmuje domyślną wartość auto. Warto zapamiętać na potrzeby rozmowy kwalifikacyjnej, że drzewa decyzyjne domyślnie uwzględniają wszystkie cechy, natomiast lasy losowe zwykle biorą pod uwagę pierwiastek kwadratowy z liczby cech.
Macierz cech X, etykieta docelowa y oraz funkcja train_test_split z sklearn.model_selection zostały już zaimportowane.
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import modules
from sklearn.ensemble import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_rf = ____()
loans_rf.____(____, ____)
y_pred = loans_rf.____(____)
# Evaluation metric
print("Random Forest Accuracy: {}".format(____(____,____)))