Antrenează un arbore de decizie

Pădurile aleatoare sunt modele de referință pentru predicții – funcționează bine chiar și cu setările implicite. Înainte de a le studia, vom înțelege componentele lor de bază: arborii de decizie.

Arborii de decizie împart datele în grupuri pe baza caracteristicilor. Pornesc dintr-un nod rădăcină și continuă să se ramifice până ajung la nodurile frunză.

decision tree

Poți folosi sklearn pentru a antrena un arbore de decizie cu DecisionTreeRegressor și .fit(features, targets).

Dacă nu limităm adâncimea arborelui, acesta va continua să împartă datele până când fiecare nod frunză conține un singur eșantion – ceea ce reprezintă supraadaptarea (overfitting) în forma sa extremă. Vom aprofunda acest concept în capitolele următoare.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește clasa importată DecisionTreeRegressor cu argumentele implicite (adică fără argumente) pentru a crea un model de arbore de decizie numit decision_tree.
Antrenează modelul folosind train_features și train_targets, create anterior (care conțin acum caracteristicile pentru ziua din săptămână și volum).
Afișează scorul pe caracteristicile și țintele de antrenament, precum și pe test_features și test_targets.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

from sklearn.tree import DecisionTreeRegressor

# Create a decision tree regression model with default arguments
decision_tree = ____

# Fit the model to the training features and targets
decision_tree.fit(____)

# Check the score on train and test
print(decision_tree.score(train_features, train_targets))
print(decision_tree.score(____))

Editează și rulează codul