Entscheidungsbaum-Regeln aufschlüsseln
In dieser Übung extrahierst du die If-Else-Regeln aus dem Entscheidungsbaum und visualisierst sie, um die Haupttreiber der Kündigung zu identifizieren.
Die trainierte Entscheidungsbaum-Instanz ist als mytree geladen, und die skalierten Merkmale sind als pandas-DataFrame train_X verfügbar. Das Modul tree aus der sklearn-Bibliothek sowie die graphviz-Bibliothek sind bereits für dich geladen.
Hinweis: Wir haben eine proprietäre Funktion display_image() statt display(graph) verwendet, damit du die Ausgabe leichter ansehen kannst.
Diese Übung ist Teil des Kurses
Machine Learning für Marketing mit Python
Anleitung zur Übung
- Exportiere das
graphviz-Objekt aus dem trainierten Entscheidungsbaum. - Weise die Feature-Namen zu.
- Setze die Genauigkeit auf 1 und füge die Klassenbezeichnungen hinzu.
- Rufe die Funktion
Source()ausgraphvizauf und übergib das exportiertegraphviz-Objekt.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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")