Спробуйте різні максимальні глибини

Ми завжди прагнемо оптимізувати наші моделі машинного навчання, щоб робити якомога кращі прогнози. Це можна зробити, налаштовуючи гіперпараметри — параметри керування моделями. У наступних розділах ми детальніше побачимо, як вони допомагають, але поки що уявімо їх як регулятори, якими можна крутити, щоб покращити якість прогнозів.

Для звичайних дерев рішень одним із найважливіших гіперпараметрів є max_depth. Він обмежує кількість розгалужень у дереві рішень. Знайдімо найкраще значення max_depth на основі метрики R\(^2\) нашої моделі на тестовій вибірці, яку можна отримати методом score() моделей дерева рішень.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Переберіть значення 3, 5 і 10 для використання як параметра max_depth у моделі дерева рішень.
На кожній ітерації циклу задайте параметр max_depth у DecisionTreeRegressor рівним d.
Виведіть значення метрики моделі на train_features і train_targets.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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')

Редагувати та запускати код