1. Learn
    2. /
  2. Cursuri
    3. /
  3. Machine Learning pentru finanțe în Python
Connected

exercițiu

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.

Instrucțiuni

100 XP
  • 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.