En skog av beslutsträd
I den här övningen får du öva på att använda det bootstrappade beslutsträdet, även känt som Random Forest. Precis som i föregående övning jämför du sedan dess noggrannhet med en modell där du har justerat hyperparametrar med korsvalidering.
Den här gången justerar du ytterligare en hyperparameter, max_features, som låter modellen bestämma hur många särdrag den ska använda. Om den inte anges specifikt används standardvärdet auto. Något att ha i åtanke inför en intervju är att beslutsträd tar hänsyn till alla särdrag som standard, medan Random Forest vanligtvis tar hänsyn till kvadratroten av antalet särdrag.
Featurematrisen X, målvariabeln y och train_test_split från sklearn.model_selection har redan importerats åt dig.
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(____(____,____)))