Лес решающих деревьев
В этом упражнении вы попрактикуетесь в использовании бутстрэпированного решающего дерева, известного как случайный лес. Как и в предыдущем упражнении, вы сравните его точность с моделью, в которой гиперпараметры настроены с помощью перекрёстной проверки.
На этот раз вы настроите дополнительный гиперпараметр — max_features, — который определяет, сколько признаков использует модель. Если он не задан явно, по умолчанию используется значение auto. Важно помнить для собеседования: решающие деревья по умолчанию рассматривают все признаки, тогда как случайные леса, как правило, используют квадратный корень из общего числа признаков.
Матрица признаков X, целевая метка y и функция train_test_split из sklearn.model_selection уже импортированы.
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import modules
from sklearn.ensemble import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_rf = ____()
loans_rf.____(____, ____)
y_pred = loans_rf.____(____)
# Evaluation metric
print("Random Forest Accuracy: {}".format(____(____,____)))