Träna en random forest
Random forest-modeller används flitigt av datavetare. De fungerar bra direkt utan vidare konfiguration och har många inställningar för att optimera prestanda. Random forests kan användas för klassificering eller regression – här använder vi regression för att förutsäga den framtida prisförändringen för LNG.
Vi skapar och tränar random forest-modellen på samma sätt som beslutsträden, med metoden .fit(features, targets). Med sklearns RandomForestRegressor finns en inbyggd .score()-metod som vi kan använda för att utvärdera prestandan. Den tar argumenten (features, targets) och returnerar R\(^2\)-värdet (determinationskoefficienten).
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Övningsinstruktioner
- Skapa random forest-modellen med den importerade klassen
RandomForestRegressor. - Träna random forest-modellen med
train_featuresochtrain_targets. - Skriv ut R\(^2\)-värdet för tränings- och testmängden.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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(____)