print(dt_accuracy)
#%58.84050822
'''
Çok fazla veri oldugu icin dogruluk sayisi da c*k iyi cikmiyor
ve decision tree ezbere gidiyor yani belli aralıktaki deger sabittir
farklı veri farklı degere gelse de ezbere gittigi icin bilemiyor.
Bir de Random Forest(Rassal Agaclar) tahminini deneyelim :
Birden fazla decision treenin tahmin etmek icin bir araya gelmesidir
İyi bir dogruluk almak icin birden fazla Decision Tree lerin birleşmesi;
her parçayı tekrar kucuk parcalara bolup onların ortalamasını almasıdır.
c*k verilerde kullanilmasi daha iyidir.ensemble öğrenme yani kollektif öğrenme olarak geçer.
birden fazla decision treedan olusan anlamına gelir.
daha fazla bilgi icin :
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html
'''
from sklearn.ensemble import RandomForestRegressor
rfr= RandomForestRegressor(n_estimators=250,max_depth=6, min_samples_leaf=150,n_jobs=4)
#n_estimators : ne kadar decision tree kullanilacak
#ornekleme kontenjanı =max_depth
#ornekleme sayisi= min_samples_leaf
#☺n_jobs : paralel calisan is sayisi ;fit ederken ,predict yaparken ,agaclarin hepsini calistirirken vs aynı anda yapilan is sayisi
rfr.fit(X_train,Y_train)
tahmin=rfr.predict(X_test)
#dogruluk oranına bakalim :
rfr.accuracy= round(rfr.score(X_train,Y_train)*100,5)
print( "Random Forest Accuracy (%): ")
print(rfr.accuracy)
#♣Yaklasik %60 oranında dogruluk verdi
