Bir karar ağacı uydur

Random forests tahmin için başvurulan modellerdendir; kutudan çıktığı gibi iyi çalışırlar. Ama önce random forest'ların yapı taşı olan karar ağaçlarını öğreneceğiz.

Karar ağaçları veriyi özelliklere göre gruplara böler. Karar ağaçları bir kök düğümle başlar ve yaprak düğümlere ulaşana kadar veriyi aşağı doğru dallara ayırır.

decision tree

sklearn ile DecisionTreeRegressor ve .fit(features, targets) kullanarak bir karar ağacı uydurabiliriz.

Ağacın derinliğini (veya yüksekliğini) sınırlamazsak, her yaprakta 1 örnek kalana kadar veri bölünmeye devam eder; bu da aşırı öğrenmenin zirvesidir. Aşırı öğrenmeyi ilerleyen bölümlerde daha ayrıntılı işleyeceğiz.

Bu egzersiz, kursun bir parçasıdır

Python ile Finans için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

İçe aktarılmış DecisionTreeRegressor sınıfını varsayılan argümanlarla (yani argümansız) kullanarak decision_tree adlı bir karar ağacı modeli oluştur.
Daha önce oluşturduğumuz (ve artık haftanın günü ile hacim özelliklerini içeren) train_features ve train_targets ile modeli uydur.
Eğitim özellikleri ve hedefleri üzerindeki skoru, ayrıca test_features ve test_targets üzerindeki skoru yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

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(____))

Kodu Düzenle ve Çalıştır