1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Hyperparameter Tuning in Python
Connected

cvičení

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

Pokyny

100 XP
  • 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.