Rozbor pravidel rozhodovacího stromu

V tomto cvičení extrahuješ pravidla ve tvaru if-else z rozhodovacího stromu a vizualizuješ je, abys identifikoval/a hlavní faktory odchodu zákazníků.

Natrénovaná instance rozhodovacího stromu je načtená jako mytree a škálované příznaky jsou k dispozici jako pandas DataFrame s názvem train_X. Modul tree z knihovny sklearn a knihovna graphviz jsou již načteny.

Všimni si, že místo display(graph) používáme vlastní funkci display_image(), která ti usnadňuje zobrazení výstupu.

Toto cvičení je součástí kurzu

Machine Learning for Marketing in Python

Zobrazit kurz

Pokyny k cvičení

Exportuj objekt graphviz z natrénovaného rozhodovacího stromu.
Přiřaď názvy příznaků.
Nastav přesnost na 1 a přidej názvy tříd.
Zavolej funkci Source() z knihovny graphviz a předej jí exportovaný objekt graphviz.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Export graphviz object from the trained decision tree 
exported = tree.___(decision_tree=mytree, 
			# Assign feature names
            out_file=None, ___=train_X.columns, 
			# Set precision to 1 and add class names
			precision=1, ___=['Not churn','Churn'], filled = True)

# Call the Source function and pass the exported graphviz object
graph = graphviz.___(exported)

# Display the decision tree
display_image("/usr/local/share/datasets/decision_tree_rules.png")

Upravit a spustit kód