편집
1,408
번
바뀜
→방법
from sklearn.enssemble import RandomForestClassifier
from sklearn.enssemble import RandomForestClassifier
machine = RandomForestClassifier(random_state=13) # 객체 지정
machine = RandomForestClassifier(max_leaf_nodes=500, random_state=13) # 객체 지정
machine.fit(data, label) # 데이터와 레이블 지정하여 학습 실행.
machine.fit(data, label) # 데이터와 레이블 지정하여 학습 실행.
</syntaxhighlight>machine에 대해 다양한 파라미터가 있는데, 이는 상황에 따라 활용.
</syntaxhighlight>machine에 대해 다양한 파라미터가 있는데, 이는 상황에 따라 활용.
{| class="wikitable"
!파라미터
!설명
|-
|max_leaf_nodes
|노드를 만드는 제한은 몇으로 할 것인지.(과적합 방지)
(근데 이거 랜덤포레스트에서 쓰는 거 맞나? 의사결정트리 아니고?)
|-
|n_estimators
|
|-
|random_state
|자료들을 섞을 때 random함수에 동일한 seed를 주어 매번 똑같은 결과를 얻게 하기 위함.(검증용)
|}
|-
|-
|예측
|예측
data_for_predict = df..... # 위에서 만든 판단근거와 동일한 형태의 df를 넣어준다.
data_for_predict = df..... # 위에서 만든 판단근거와 동일한 형태의 df를 넣어준다.
machine.predict(data_for_predict)
machine.predict(data_for_predict)
</syntaxhighlight>가격을 예측할 때 넣는 판단근거의 df는 1행만 넣어주면 되고, 여러 행을 넣으면 리스트로 결과가 반환된다.
</syntaxhighlight>가격을 예측할 때 넣는 판단근거의 df는 1행만 넣어줘도 되고, 여러 행을 넣으면 리스트로 결과가 반환된다.
|-
|
|
|
|}
== 후처리 ==
{| class="wikitable"
!절차
!설명
!방법
|-
|검증
|정확도가 얼마나 되는지 검증한다.
훈련데이터와 검증데이터의 분류는 [[Scikit-learn]]문서를 참고하자.
여기선 평균 오류값을 구하는 예시를 두었다.
|<syntaxhighlight lang="python">
from sklearn.metrics import mean_absolute_error
new_data = df..... # 테스트에 쓰일 df.
y = new_data.판단할열 # 실제 결과
# 근거데이터 만들기.
features = ['열1', '열2', ...] # 판단할 자료가 될 열을 지정한다.
x = new_data[features] # 판단근거를 준비한다.
predict = machine.predict(new_data) # 결과 예상하기.
mean_absolute_error(predict, y) # 예상결과와 실제값을 비교하여 평균 에러를 반환한다.
</syntaxhighlight>
|}
|}
=== 오버피팅 방지 ===
[[분류:랜덤포레스트]]
[[분류:랜덤포레스트]]
[[분류:Scikit-learn]]
[[분류:Scikit-learn]]