Alberi decisionali

Machine Learning per la finanza in Python

Nathan George

Data Science Professor

Alberi decisionali

albero decisionale di base

Alberi decisionali

albero decisionale con target

Suddivisioni dell'albero decisionale

split categorico dell'albero decisionale

Suddivisioni dell'albero decisionale

split numerico dell'albero decisionale

Albero poco efficace

split di regressione scadente

Albero efficace

split di regressione valido

Regressione con alberi decisionali

previsioni dell'albero decisionale

Alberi di regressione

from sklearn.tree import DecisionTreeRegressor

decision_tree = DecisionTreeRegressor(max_depth=5)

decision_tree.fit(train_features, train_targets)

Iperparametri degli alberi decisionali

profondità massima degli alberi

Profondità massima 3

albero decisionale con profondità massima 3

Valutare il modello

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()

previsioni vs valori reali

Facciamo crescere qualche albero!

Machine Learning per la finanza in Python