Обучение случайного леса
Специалисты по данным часто используют модели случайного леса. Они хорошо работают без дополнительной настройки и предоставляют множество параметров для оптимизации. Случайный лес можно применять как для классификации, так и для регрессии — в нашем случае мы воспользуемся регрессией, чтобы предсказать будущее изменение цены акций LNG.
Мы создадим и обучим модель случайного леса аналогично деревьям решений — с помощью метода .fit(features, targets). В классе RandomForestRegressor из библиотеки sklearn есть встроенный метод .score(), который позволяет оценить качество модели. Он принимает аргументы (features, targets) и возвращает значение R\(^2\) — коэффициент детерминации.
Это упражнение является частью курса
Машинное обучение для финансов на Python
Инструкции к упражнению
- Создайте модель случайного леса с помощью импортированного класса
RandomForestRegressor. - Обучите случайный лес, используя
train_featuresиtrain_targets. - Выведите значение R\(^2\) для обучающей и тестовой выборок.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
from sklearn.ensemble import RandomForestRegressor
# Create the random forest model and fit to the training data
rfr = ____(n_estimators=200)
rfr.fit(____, ____)
# Look at the R^2 scores on train and test
print(rfr.score(train_features, train_targets))
print(____)