訓練一個隨機森林
資料科學家常用隨機森林模型。它在預設設定下表現就不錯，還有許多參數可用來最佳化效能。隨機森林可用於分類或迴歸；在這裡我們會用於迴歸，來預測 LNG 的未來價格變動。
我們會像使用決策樹一樣建立並訓練隨機森林模型，使用 .fit(features, targets) 方法。搭配 sklearn 的 RandomForestRegressor，可以使用內建的 .score() 方法來評估效能。這個方法接受參數（features、targets），並回傳 R\(^2\) 分數（決定係數）。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 使用已匯入的
RandomForestRegressor類別建立隨機森林模型。 - 使用
train_features和train_targets來擬合（訓練）隨機森林。 - 印出訓練集與測試集的 R\(^2\) 分數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
from sklearn.ensemble import RandomForestRegressor
# Create the random forest model and fit to the training data
rfr = ____(n_estimators=200)
rfr.fit(____, ____)
# Look at the R^2 scores on train and test
print(rfr.score(train_features, train_targets))
print(____)