Fit random forest
นักวิทยาศาสตร์ข้อมูลมักใช้โมเดล random forest เพราะทำงานได้ดีโดยไม่ต้องปรับแต่งมาก และยังมีพารามิเตอร์หลายตัวให้ปรับเพื่อเพิ่มประสิทธิภาพ Random forest ใช้ได้ทั้งงาน classification และ regression โดยในที่นี้เราจะใช้สำหรับ regression เพื่อพยากรณ์การเปลี่ยนแปลงราคาในอนาคตของหุ้น LNG
เราจะสร้างและ fit โมเดล random forest ในลักษณะเดียวกับ decision tree โดยใช้เมธอด .fit(features, targets) นอกจากนี้ RandomForestRegressor ของ sklearn ยังมีเมธอด .score() ในตัวสำหรับประเมินประสิทธิภาพ โดยรับอาร์กิวเมนต์ (features, targets) และคืนค่าคะแนน R\(^2\) (coefficient of determination)
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Machine Learning สำหรับการเงินด้วย Python
คำแนะนำการฝึกหัด
- สร้างโมเดล random forest โดยใช้คลาส
RandomForestRegressorที่ import มาแล้ว - Fit (ฝึก) random forest โดยใช้
train_featuresและtrain_targets - แสดงค่าคะแนน R\(^2\) บนชุดข้อมูล train และ test
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
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(____)