1. Learn
    2. /
  2. Курси
    3. /
  3. Machine Learning для фінансів у Python
Connected

Вправа

Налаштування гіперпараметрів random forest

Як і для будь-яких моделей, ми хочемо підвищити якість, налаштовуючи гіперпараметри. У random forest є багато гіперпараметрів, але найважливішим часто є кількість ознак, які ми вибираємо на кожному розбитті, тобто max_features у RandomForestRegressor з бібліотеки sklearn. Для моделей на кшталт random forest, де є вбудована випадковість, також варто встановити random_state. Це потрібно, щоб результати можна було відтворити.

Зазвичай ми можемо використовувати метод sklearn GridSearchCV() для перебору гіперпараметрів, але для фінансових часових рядів крос-валідація небажана через перемішування даних. Ми хочемо навчати моделі на найстаріших даних і оцінювати на найновіших. Тому скористаємось sklearn ParameterGrid, щоб створити комбінації гіперпараметрів для пошуку.

Інструкції

100 XP
  • Встановіть гіперпараметр n_estimators як список з одним значенням (200) у словнику grid.
  • Встановіть гіперпараметр max_features як список, що містить 4 та 8, у словнику grid.
  • Навчіть модель регресора random forest (rfr, уже створено для вас) на train_features і train_targets для кожної комбінації гіперпараметрів g у циклі.
  • Обчисліть R\(^2\) за допомогою rfr.score() на test_features і додайте результат до списку test_scores.