Karar ağaçlarından bir orman
Bu egzersizde, bootstrap edilmiş Decision Tree'yi, yani Random Forest'ı kullanma pratiği yapacaksın. Bir önceki egzersizde olduğu gibi, ardından hiperparametrelerini çapraz doğrulama ile ayarladığın bir modelle doğruluğunu karşılaştıracaksın.
Bu kez, modele kaç özelliği kullanacağını söyleyen ek bir hiperparametre olan max_features'ı da ayarlayacaksın. Bu değer özel olarak belirlenmezse varsayılan olarak auto olur. Mülakat için aklında tutman gereken bir nokta: Decision Tree'ler varsayılan olarak tüm özellikleri dikkate alırken, Random Forest modelleri genellikle özellik sayısının karekökünü dikkate alır.
Özellik matrisi X, hedef etiket y ve sklearn.model_selection içindeki train_test_split senin için içe aktarıldı.
Bu egzersiz, kursun bir parçasıdır
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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(____(____,____)))