Зробіть передбачення за допомогою випадкового лісу

Щоб навчити модель машинного навчання для передбачення оптимальних портфелів, потрібно створити тренувальну та тестову вибірки для оцінювання якості. Зробимо це так само, як у попередніх розділах: візьмемо масиви features і targets та розіб'ємо їх за заданим train_size. Зазвичай тренувальна частка становить близько 70–90% даних.

Далі навчаємо модель (у нашому випадку — випадковий ліс) на тренувальних даних і оцінюємо значення R\(^2\) на train і test за допомогою .score() з нашої моделі. У цьому завданні гіперпараметри вже задані, але зазвичай варто виконати пошук із ParameterGrid, як ми робили в попередніх розділах.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Встановіть train_size як 85% від повного набору тренувальних даних, використовуючи властивість .shape об'єкта features.
Створіть тренувальні та тестові цільові значення з targets, використовуючи індексацію Python.
Навчіть модель випадкового лісу на train_features і train_targets.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код