Попробуйте разную максимальную глубину

Мы всегда стремимся оптимизировать модели машинного обучения, чтобы получить наилучшие предсказания. Для этого настраивают гиперпараметры — специальные параметры, управляющие поведением модели. В следующих главах мы рассмотрим их подробнее, а пока воспринимайте их как «регуляторы», с помощью которых можно добиться максимальной точности предсказаний.

Для обычных деревьев решений наиболее важным гиперпараметром, как правило, является max_depth. Он ограничивает количество разбиений в дереве решений. Найдём оптимальное значение max_depth по метрике R\(^2\) на тестовой выборке — её можно получить с помощью метода score() наших моделей.

Это упражнение является частью курса

Машинное обучение для финансов на Python

Посмотреть курс

Инструкции к упражнению

Переберите в цикле значения 3, 5 и 10, которые будут использоваться в качестве параметра max_depth в модели дерева решений.
На каждой итерации цикла задайте параметр max_depth в DecisionTreeRegressor равным d.
Выведите на экран оценку модели на train_features и train_targets.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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')

Редактировать и запускать код