尝试不同的最大深度

我们总是希望优化机器学习模型，以尽可能做出更好的预测。可以通过调整超参数来实现，超参数是模型的配置项。我们将在后续章节更详细地介绍它们的作用，但现在您可以将它们理解为可调的"旋钮"，用来把预测调到尽可能好。

对于常规的决策树，可能最重要的超参数是 max_depth。它限制决策树中的划分次数。让我们基于模型在测试集上的 R\(^2\) 分数来寻找最佳的 max_depth 值，该分数可以通过决策树模型的 score() 方法获得。

本练习是课程的一部分

Python 金融机器学习

查看课程

练习说明

遍历 3、5、10 这几个值，作为决策树模型的 max_depth 参数。
在每次循环中，将 DecisionTreeRegressor 的 max_depth 参数设置为当前的 d。
打印模型在 train_features 和 train_targets 上的分数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Loop through a few different max depths and check the performance
for d in [____]:
    # Create the tree and fit it
    decision_tree = DecisionTreeRegressor(____)
    decision_tree.fit(train_features, train_targets)

    # Print out the scores on train and test
    print('max_depth=', str(d))
    print(decision_tree.score(____))
    print(decision_tree.score(test_features, test_targets), '\n')

编辑并运行代码