Rastgele orman ile tahmin yap

İdeal portföyleri tahmin eden bir Machine Learning modeli kurmak için, performansı değerlendirmek üzere eğitim ve test kümeleri oluşturmamız gerekiyor. Bunu, önceki bölümlerde yaptığımız gibi, features ve targets dizilerini alıp belirlediğimiz train_size değerine göre bölerek yapacağız. Çoğu zaman eğitim oranı verinin yaklaşık %70–90’ı olur.

Ardından modelimizi (bu durumda bir rastgele orman) eğitim verisine uydurup, modelimizin .score() fonksiyonunu kullanarak eğitim ve test için R\(^2\) skorlarını değerlendiririz. Bu örnekte hiperparametreler senin için ayarlandı, ancak genellikle önceki bölümlerde yaptığımız gibi ParameterGrid ile bir arama yapmak istersin.

Bu egzersiz, kursun bir parçasıdır

Python ile Finans için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

features dizisinin .shape özelliğini kullanarak train_size değerini tüm eğitim verisinin %85’i olacak şekilde ayarla.
Python indekslemesiyle targets içinden eğitim ve test hedeflerini oluştur.
Rastgele orman modelini train_features ve train_targets üzerinde uygula.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Make train and test features
train_size = int(0.85 * ____)
train_features = features[:train_size]
test_features = features[train_size:]
train_targets = targets[____]
test_targets = targets[____]

# Fit the model and check scores on train and test
rfr = RandomForestRegressor(n_estimators=300, random_state=42)
rfr.fit(____, ____)
print(rfr.score(train_features, train_targets))
print(rfr.score(test_features, test_targets))

Kodu Düzenle ve Çalıştır