訓練一棵決策樹
隨機森林是做預測時常用的模型，通常開箱即用就有不錯的表現。不過在進入隨機森林之前，我們先了解它的基礎組件──決策樹。
決策樹會根據特徵把資料切分成不同群組。它從根節點開始，一路往下切分，直到到達葉節點為止。
我們可以用 sklearn 的 DecisionTreeRegressor，搭配 .fit(features, targets) 來訓練一棵決策樹。
如果不限制樹的深度（或高度），模型會一直切分資料，直到每個葉節點只剩 1 個樣本，這就是典型的過度擬合。我們會在後面的章節更深入探討過度擬合。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 使用已匯入的
DecisionTreeRegressor類別，採用預設參數（也就是不用傳入參數），建立名為decision_tree的決策樹模型。 - 使用先前建立的
train_features和train_targets（目前包含星期幾與成交量等特徵）來訓練模型。 - 分別列印模型在訓練特徵與目標、以及在
test_features和test_targets上的分數。
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.tree import DecisionTreeRegressor
# Create a decision tree regression model with default arguments
decision_tree = ____
# Fit the model to the training features and targets
decision_tree.fit(____)
# Check the score on train and test
print(decision_tree.score(train_features, train_targets))
print(decision_tree.score(____))