Vytvoř a otestuj nejlepší model
Ve 3. kapitole jsi zjistil/a, že následující parametry umožňují získat lepší model:
max_depth = 8,min_samples_leaf = 150,class_weight = "balanced"
V této kapitole jsi objevil/a, že některé příznaky mají zanedbatelný vliv. Uvědomil/a sis, že přesné předpovědi lze získat i s malým počtem vybraných, skutečně důležitých příznaků, a podle toho jsi upravil/a trénovací a testovací sadu — vznikly proměnné features_train_selected a features_test_selected.
Se všemi těmito informacemi teď sestavíš nejlepší model pro predikci odchodu zaměstnanců a vyhodnotíš ho pomocí vhodných metrik.
Proměnné features_train_selected a features_test_selected jsou dostupné v tvém pracovním prostoru a funkce recall_score a roc_auc_score jsou již naimportovány.
Toto cvičení je součástí kurzu
HR Analytics: Predicting Employee Churn in Python
Pokyny k cvičení
- Inicializuj nejlepší model s parametry uvedenými v popisu.
- Natrénuj model pouze na vybraných příznacích z trénovací sady.
- Vytvoř předpověď na základě vybraných příznaků z testovací sady.
- Vypiš hodnoty přesnosti (accuracy), recall a ROC/AUC skóre modelu.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Initialize the best model using parameters provided in description
model_best = DecisionTreeClassifier(____=____, ____=____, ____=____, random_state=42)
# Fit the model using only selected features from training set: done
model_best.fit(____, target_train)
# Make prediction based on selected list of features from test set
prediction_best = model_best.____(____)
# Print the general accuracy of the model_best
print(____.score(features_test_selected, target_test) * 100)
# Print the recall score of the model predictions
print(____(target_test, prediction_best) * 100)
# Print the ROC/AUC score of the model predictions
print(roc_auc_score(target_test, ____) * 100)