Generează predicții cu un random forest

Pentru a antrena un model de machine learning care să prezică portofoliile optime, trebuie să creăm seturi de antrenament și de testare pentru evaluarea performanței. Vom proceda ca în capitolele anterioare: luăm arrays-urile features și targets și le împărțim în funcție de o valoare train_size pe care o stabilim. De obicei, dimensiunea setului de antrenament reprezintă între 70% și 90% din date.

Antrenăm apoi modelul (un random forest, în acest caz) pe datele de antrenament și evaluăm scorurile R\(^2\) pe seturile de antrenament și de testare folosind .score() din model. În acest exercițiu, hiperparametrii sunt deja setați pentru tine, dar în mod normal ai dori să efectuezi o căutare cu ParameterGrid, așa cum am făcut în capitolele anterioare.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Setează train_size la 85% din datele complete de antrenament, folosind proprietatea .shape a array-ului features.
Creează țintele de antrenament și de testare din targets folosind indexarea în Python.
Antrenează modelul random forest pe train_features și train_targets.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Make train and test features
train_size = int(0.85 * ____)
train_features = features[:train_size]
test_features = features[train_size:]
train_targets = targets[____]
test_targets = targets[____]

# Fit the model and check scores on train and test
rfr = RandomForestRegressor(n_estimators=300, random_state=42)
rfr.fit(____, ____)
print(rfr.score(train_features, train_targets))
print(rfr.score(test_features, test_targets))

Editează și rulează codul