Modele regresji

Walidacja modeli w Pythonie

Kasey Jones

Data Scientist

Lasy losowe w scikit-learn

from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import RandomForestClassifier

rfr = RandomForestRegressor(random_state=1111)
rfc = RandomForestClassifier(random_state=1111)

Drzewa decyzyjne zaczynają od wszystkich punktów i rozgałęziają się od góry na podstawie różnych podziałów. Dla każdego punktu danych podążamy różnymi ścieżkami wzdłuż gałęzi drzewa, zgodnie z cechami danych.

Po zbudowaniu lasu losowego wyniki poszczególnych drzew decyzyjnych są uśredniane dla każdego punktu danych, co daje końcową prognozę.

Parametry lasu losowego

n_estimators: liczba drzew w lesie

max_depth: maksymalna głębokość drzew

random_state: ziarno losowości

from sklearn.ensemble import RandomForestRegressor
rfr = RandomForestRegressor(n_estimators=50, max_depth=10)

rfr = RandomForestRegressor(random_state=1111)
rfr.n_estimators = 50
rfr.max_depth = 10

Ważność cech

Wydrukowanie ważności każdej kolumny dla modelu

for i, item in enumerate(rfr.feature_importances_):
    print("{0:s}: {1:.2f}".format(X.columns[i], item))

weight: 0.50
height: 0.39
left_handed: 0.72
union_preference: 0.05
eye_color: 0.03

Zaczynajmy

Walidacja modeli w Pythonie