Den Baum auf Mitarbeiterdaten fitten

Ein Train/Test-Split bietet die Möglichkeit, den Klassifikator auf dem Trainingsanteil zu entwickeln und ihn auf dem restlichen Datensatz zu testen. In dieser Übung beginnst du mit der Entwicklung eines Vorhersagemodells für Mitarbeiterfluktuation mithilfe des Klassifikationsalgorithmus Decision Tree. Der Algorithmus stellt eine Methode .fit() bereit, mit der du im Trainingssatz die Features an das Modell anpassen kannst.

Zur Erinnerung: Sowohl Zielvariable als auch Features sind bereits in Train- und Test-Anteile aufgeteilt (Train: features_train, target_train, Test: features_test, target_test).

Diese Übung ist Teil des Kurses

<Kurs>HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen</Kurs>

Kurs ansehen

Übungsanweisungen

Importiere den Klassifikationsalgorithmus DecisionTreeClassifier.
Initialisiere ihn als model und setze den Zufallszustand auf 42.
Wende das Decision-Tree-Modell an, indem du die Trainings-Features an das model fitstest.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import the classification algorithm
from sklearn.tree import ____

# Initialize it and call model by specifying the random_state parameter
model = ____(random_state=42)

# Apply a decision tree model to fit features to the target
model.____(features_train, ____)

Code bearbeiten und ausführen