Modèles de régression

Validation de modèles en Python

Kasey Jones

Data Scientist

Forêts aléatoires dans scikit-learn

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

rfr = RandomForestRegressor(random_state=1111)
rfc = RandomForestClassifier(random_state=1111)
Validation de modèles en Python

Les arbres de décision commencent avec tous les points, puis se divisent en haut selon divers seuils. Imaginez suivre des parcours dans les branches pour chaque point, selon ses caractéristiques.

Validation de modèles en Python

Une fois la forêt aléatoire entraînée, elle fait la moyenne des prédictions des arbres de décision pour chaque point afin d'obtenir la prédiction finale.

Validation de modèles en Python

Paramètres de la forêt aléatoire

n_estimators : nombre d'arbres dans la forêt

max_depth : profondeur maximale des arbres

random_state : graine aléatoire

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
Validation de modèles en Python

Importance des variables

Afficher l'importance de chaque colonne pour le modèle

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
Validation de modèles en Python

Commençons

Validation de modèles en Python

Preparing Video For Download...