Začněte nyníZačněte zdarma

Extrakce parametru náhodného lesa

Teď přeneseme postup, který jsme použili u logistické regrese, na model náhodného lesa. Jedním z parametrů tohoto modelu je způsob, jakým se daný strom rozhoduje, jak rozdělit data na každé úrovni.

Tato analýza není tak přímočará jako koeficienty logistické regrese – procházet každé rozdělení v každém stromě náhodného lesa by bylo prakticky nereálné. Přesto je to velmi užitečné cvičení, které ti umožní nahlédnout pod pokličku a zjistit, co model vlastně dělá.

V tomto cvičení extrahujeme jeden strom z modelu náhodného lesa, vizualizujeme ho a programově získáme informace o jednom z rozdělení.

Máš k dispozici:

  • Objekt modelu náhodného lesa, rf_clf
  • Obrázek vrchní části vybraného rozhodovacího stromu, tree_viz_image
  • DataFrame X_train a seznam original_variables

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Extrahuj 7. strom (index 6) z modelu náhodného lesa.
  • Vizualizuj tento strom (tree_viz_image), abys viděl/a rozhodnutí o rozdělení.
  • Extrahuj příznak a úroveň vrchního rozdělení.
  • Vypiš příznak a úroveň společně.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Extract the 7th (index 6) tree from the random forest
chosen_tree = rf_clf.estimators_[____]

# Visualize the graph using the provided image
imgplot = plt.imshow(____)
plt.show()

# Extract the parameters and level of the top (index 0) node
split_column = chosen_tree.tree_.feature[____]
split_column_name = X_train.columns[split_column]
split_value = chosen_tree.tree_.threshold[____]

# Print out the feature and level
print("This node split on feature {}, at a value of {}".format(split_column_name, ____))
Upravit a spustit kód