Anpassa ett beslutsträd

Slumpskogar är en pålitlig modell för prediktioner och fungerar bra direkt utan vidare konfiguration. Men först ska vi lära oss grundblocket i slumpskogar – beslutsträd.

Beslutsträd delar upp data i grupper baserat på särdragen. Trädet börjar med en rotnod och delar sedan upp data tills vi når lövnoder.

decision tree

Vi kan använda sklearn för att anpassa ett beslutsträd med DecisionTreeRegressor och .fit(features, targets).

Om vi inte begränsar trädets djup fortsätter det att dela upp data tills varje lövnod innehåller exakt ett sampel – vilket är ett typexempel på överanpassning. Vi återkommer till överanpassning i kommande kapitel.

Den här övningen är en del av kursen

Maskininlärning för finans i Python

Visa kurs

Övningsinstruktioner

Använd den importerade klassen DecisionTreeRegressor med standardargument (dvs. inga argument) för att skapa en beslutsträdsmodell kallad decision_tree.
Anpassa modellen med train_features och train_targets, som vi skapade tidigare och som nu innehåller särdrag för veckodag och volym.
Skriv ut poängen för träningssärdragen och träningsmålen, samt för test_features och test_targets.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

from sklearn.tree import DecisionTreeRegressor

# Create a decision tree regression model with default arguments
decision_tree = ____

# Fit the model to the training features and targets
decision_tree.fit(____)

# Check the score on train and test
print(decision_tree.score(train_features, train_targets))
print(decision_tree.score(____))

Redigera och kör kod