Experimente diferentes profundidades máximas

Sempre queremos otimizar nossos modelos de Machine Learning para fazer as melhores previsões possíveis. Podemos fazer isso ajustando hiperparâmetros, que são configurações dos nossos modelos. Veremos em mais detalhes como isso é útil nos próximos capítulos, mas por enquanto pense neles como botões que você pode girar para deixar as previsões o mais boas possível.

Para árvores de decisão comuns, provavelmente o hiperparâmetro mais importante é max_depth. Ele limita o número de divisões (splits) em uma árvore de decisão. Vamos encontrar o melhor valor de max_depth com base no escore R\(^2\) do nosso modelo no conjunto de teste, que podemos obter usando o método score() dos nossos modelos de árvore de decisão.

Este exercicio faz parte do curso

Machine Learning para Finanças em Python

Ver curso

Instruções do exercicio

Faça um loop pelos valores 3, 5 e 10 para usar como o parâmetro max_depth no nosso modelo de árvore de decisão.
Defina o parâmetro max_depth do nosso DecisionTreeRegressor como sendo igual a d em cada iteração do loop.
Imprima o escore do modelo em train_features e train_targets.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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')

Editar e Executar Código