使用随机森林进行预测

为了拟合一个用于预测最优投资组合的机器学习模型，您需要创建训练集和测试集来评估性能。我们会像前几章一样处理：取 features 和 targets 两个数组，并根据设定的 train_size 进行切分。训练集的比例通常约为全部数据的 70–90%。

随后将模型（此处为随机森林）拟合在训练数据上，并使用模型的 .score() 在训练集和测试集上评估 R\(^2\) 分数。本题中已经为您设置好了超参数，但在真实场景中，通常需要像前几章那样使用 ParameterGrid 进行搜索。

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

使用 features 的 .shape 属性，将 train_size 设为完整训练数据的 85%。
使用 Python 索引从 targets 创建训练集和测试集目标值。
将随机森林模型拟合到 train_features 和 train_targets。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Make train and test features
train_size = int(0.85 * ____)
train_features = features[:train_size]
test_features = features[train_size:]
train_targets = targets[____]
test_targets = targets[____]

# Fit the model and check scores on train and test
rfr = RandomForestRegressor(n_estimators=300, random_state=42)
rfr.fit(____, ____)
print(rfr.score(train_features, train_targets))
print(rfr.score(test_features, test_targets))

编辑并运行代码