Entscheidungsbäume

Maschinelles Lernen für Finanzen in Python

Nathan George

Data Science Professor

Entscheidungsbäume

einfacher Entscheidungsbaum

Entscheidungsbäume

Entscheidungsbaum mit Zielwerten

Splits in Entscheidungsbäumen

kategorischer Entscheidungsbaum-Split

Splits in Entscheidungsbäumen

numerischer Entscheidungsbaum-Split

Schlechter Baum

schlechter Regressions-Split

Guter Baum

guter Regressions-Split

Entscheidungsbaum-Regression

Entscheidungsbaum-Vorhersagen

Regressionsbäume

from sklearn.tree import DecisionTreeRegressor

decision_tree = DecisionTreeRegressor(max_depth=5)

decision_tree.fit(train_features, train_targets)

Hyperparameter von Entscheidungsbäumen

maximale Ba tiefe

Maximale Tiefe: 3

maximale Tiefe 3 bei Entscheidungsbaum

Modell bewerten

print(decision_tree.score(train_features, train_targets))
print(decision_tree.score(test_features, test_targets))

0.6662215501032416
-0.08917300191734268

train_predictions = decision_tree.predict(train_features)
test_predictions = decision_tree.predict(test_features)
plt.scatter(train_predictions, train_targets, label='train')
plt.scatter(test_predictions, test_targets, label='test')
plt.legend()
plt.show()

Vorhersagen vs. Istwerte

Lass uns Bäume wachsen!

Maschinelles Lernen für Finanzen in Python