Předpověď odchodu zákazníků pomocí rozhodovacího stromu

Teď navážeš na dovednosti z předchozího cvičení a sestavíš složitější rozhodovací strom s dalšími parametry pro předpověď odchodu zákazníků. Problematice predikce churn se budeme podrobněji věnovat v příští kapitole. Zde znovu spustíš klasifikátor rozhodovacího stromu na trénovacích datech, předpovíš míru odchodu na neviděných (testovacích) datech a vyhodnotíš přesnost modelu na obou datových sadách.

Modul tree z knihovny sklearn je již načtený, stejně jako funkce accuracy_score z sklearn.metrics. Příznaky a cílové proměnné jsou importovány jako train_X, train_Y pro trénovací data a test_X, test_Y pro testovací data.

Inicializuj rozhodovací strom s maximální hloubkou 7 a kritériem gini.
Přizpůsob model trénovacím datům.
Předpověz hodnoty na testovací datové sadě.
Vypiš hodnoty přesnosti pro trénovací i testovací datovou sadu.

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}cvičení

Pokyny

cvičení