拟合随机森林
数据科学家常用随机森林模型。它开箱即用表现良好，并且有很多可调参数来优化性能。随机森林既可用于分类，也可用于回归；我们将在这里用于回归，以预测 LNG 的未来价格变动。
我们将像使用决策树一样创建并拟合随机森林模型，使用 .fit(features, targets) 方法。借助 sklearn 的 RandomForestRegressor，可以使用内置的 .score() 方法评估性能。该方法接收参数（features、targets），返回 R\(^2\) 分数（判定系数）。
本练习是课程的一部分
Python 金融机器学习
练习说明
- 使用已导入的
RandomForestRegressor类创建随机森林模型。 - 使用
train_features和train_targets拟合（训练）随机森林。 - 打印训练集和测试集的 R\(^2\) 分数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
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(____)