Ajuste um random forest
Cientistas de dados usam com frequência modelos de random forest. Eles já têm um bom desempenho sem muita configuração e oferecem várias opções para otimizar a performance. Random forests podem ser usados para classificação ou regressão; aqui, vamos usá-lo para regressão e prever a variação futura do preço de LNG.
Vamos criar e ajustar o modelo de random forest de forma semelhante às árvores de decisão, usando o método .fit(features, targets). Com o RandomForestRegressor do sklearn, há um método embutido .score() que podemos usar para avaliar o desempenho. Ele recebe os argumentos (features, targets) e retorna o escore R\(^2\) (o coeficiente de determinação).
Este exercicio faz parte do curso
Machine Learning para Finanças em Python
Instruções do exercicio
- Crie o modelo de random forest com a classe
RandomForestRegressorjá importada. - Ajuste (treine) o random forest usando
train_featuresetrain_targets. - Imprima o escore R\(^2\) nos conjuntos de treino e teste.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
from sklearn.ensemble import RandomForestRegressor
# Create the random forest model and fit to the training data
rfr = ____(n_estimators=200)
rfr.fit(____, ____)
# Look at the R^2 scores on train and test
print(rfr.score(train_features, train_targets))
print(____)