拟合一棵决策树
随机森林是常用的预测模型，开箱即用且效果不错。不过我们先来学习随机森林的基础模块——决策树。
决策树会根据特征将数据划分为不同的组。决策树从根节点开始，一直向下划分，直到到达叶节点。
我们可以使用 sklearn 中的 DecisionTreeRegressor 和 .fit(features, targets) 来拟合一棵决策树。
如果不限制树的深度（或高度），它会不断划分数据，直到每个叶节点只有 1 个样本，这就是典型的过拟合。我们将在后续章节进一步学习过拟合。
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
DecisionTreeRegressor类，采用默认参数（即不传参）创建一个名为decision_tree的决策树模型。 - 使用我们之前创建的
train_features和train_targets（其中已包含星期和成交量特征）来拟合该模型。 - 分别打印模型在训练集特征与目标，以及在
test_features和test_targets上的得分。
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.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(____))