Ліс дерев рішень
У цій вправі ви попрактикуєтеся використовувати дерево рішень із бутстрепінгом, відоме як Random Forest. Як і в попередній вправі, ви порівняєте його точність із моделлю, у якій гіперпараметри налаштовано за допомогою крос-валідації.
Цього разу ви налаштуєте додатковий гіперпараметр max_features, який визначає, скільки ознак використовуватиме ваша модель. Якщо його явно не задавати, за замовчуванням використовується значення auto. Варто пам'ятати для співбесіди: дерева рішень за замовчуванням розглядають усі ознаки, тоді як Random Forest зазвичай бере квадратний корінь із кількості ознак.
Матрицю ознак X, цільову змінну y і train_test_split із sklearn.model_selection уже імпортовано для вас.
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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(____(____,____)))