Încearcă diferite valori pentru max_depth

Vrem întotdeauna să optimizăm modelele de învățare automată pentru a obține cele mai bune predicții posibile. Putem face asta ajustând hiperparametrii – adică setările modelelor noastre. Vom vedea în capitolele viitoare cât de utili sunt aceștia, dar deocamdată poți să-i privești ca pe niște butoane pe care le reglăm pentru a îmbunătăți predicțiile pe cât posibil.

Pentru arborii de decizie simpli, cel mai important hiperparametru este probabil max_depth. Acesta limitează numărul de împărțiri dintr-un arbore de decizie. Să găsim cea mai bună valoare pentru max_depth pe baza scorului R\(^2\) al modelului nostru pe setul de testare, pe care îl putem obține folosind metoda score() a modelelor noastre de tip arbore de decizie.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Parcurge în buclă valorile 3, 5 și 10 pentru a le folosi ca parametru max_depth în modelul nostru de arbore de decizie.
Setează parametrul max_depth din DecisionTreeRegressor la valoarea d în fiecare iterație a buclei.
Afișează scorul modelului pe train_features și train_targets.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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')

Editează și rulează codul