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

<Kurs>Machine Learning für Marketing mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

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() aus graphviz auf und übergib das exportierte graphviz-Objekt.

Interaktive praktische Übung

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

# 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")

Code bearbeiten und ausführen