Farklı maksimum derinlikleri dene

Her zaman Machine Learning modellerimizi mümkün olan en iyi tahminleri yapacak şekilde optimize etmek isteriz. Bunu, modellerimizin ayarları olan hiperparametreleri ayarlayarak yapabiliriz. Bunların neden faydalı olduğunu ilerleyen bölümlerde daha ayrıntılı göreceğiz; şimdilik, tahminlerimizi olabildiğince iyi hale getirmek için çevirebileceğimiz düğmeler gibi düşünebilirsin.

Standart decision tree modellerinde muhtemelen en önemli hiperparametre max_depth'tür. Bu, bir karar ağacındaki bölünme sayısını sınırlar. Test kümesindeki modelimizin R\(^2\) puanına göre en iyi max_depth değerini bulalım; bunu karar ağacı modellerimizin score() yöntemiyle elde edebiliriz.

Bu egzersiz, kursun bir parçasıdır

Python ile Finans için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

Karar ağacı modelimizde max_depth parametresi olarak kullanılmak üzere 3, 5 ve 10 değerlerini döngüyle gez.
Her döngü adımında DecisionTreeRegressor içindeki max_depth parametresini d'ye eşitle.
Modelin train_features ve train_targets üzerindeki skorunu yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Loop through a few different max depths and check the performance
for d in [____]:
    # Create the tree and fit it
    decision_tree = DecisionTreeRegressor(____)
    decision_tree.fit(train_features, train_targets)

    # Print out the scores on train and test
    print('max_depth=', str(d))
    print(decision_tree.score(____))
    print(decision_tree.score(test_features, test_targets), '\n')

Kodu Düzenle ve Çalıştır