Навчіть дерево рішень

Random forests — це модель «за замовчуванням» для прогнозування: вони добре працюють «з коробки». Але спершу розберімо будівельний блок випадкових лісів — дерева рішень.

Дерева рішень розбивають дані на групи на основі ознак. Дерево починається з кореневого вузла й розщеплює дані доти, доки не досягнемо листових вузлів.

decision tree

Можна скористатися sklearn, щоб навчити дерево рішень за допомогою DecisionTreeRegressor і методу .fit(features, targets).

Якщо не обмежити глибину (або висоту) дерева, воно й надалі ділитиме дані, доки в кожному листі не залишиться 1 зразок — це класичне перенавчання. Докладніше про перенавчання ви дізнаєтеся в наступних розділах.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Використайте імпортований клас DecisionTreeRegressor з параметрами за замовчуванням (тобто без аргументів), щоб створити модель дерева рішень decision_tree.
Навчіть модель на train_features та train_targets, які ми створили раніше (вони містять ознаки дня тижня та обсягу).
Виведіть оцінку на тренувальних ознаках і цілях, а також на test_features і test_targets.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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(____))

Редагувати та запускати код