Навчіть random forest
Фахівці з даних часто використовують моделі random forest. Вони добре працюють «з коробки» і мають багато параметрів для оптимізації продуктивності. Random forest можна застосовувати для класифікації або регресії; ми використаємо її для регресії, щоб спрогнозувати майбутню зміну ціни LNG.
Ми створимо та навчимо модель random forest подібно до дерев рішень, використовуючи метод .fit(features, targets). У sklearn для RandomForestRegressor є вбудований метод .score(), яким можна оцінити якість. Він приймає аргументи (features, targets) і повертає метрику R\(^2\) (коефіцієнт детермінації).
Ця вправа є частиною курсу
Machine Learning для фінансів у Python
Інструкції до вправи
- Створіть модель random forest за допомогою імпортованого класу
RandomForestRegressor. - Навчіть (потренуйте) random forest на
train_featuresіtrain_targets. - Виведіть значення R\(^2\) на тренувальній і тестовій вибірках.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
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(____)