Decision-Tree-Modell fitten
Jetzt wirst du einen Decision Tree auf den Trainingsdaten des Telecom-Datensatzes fitten, anschließend Labels auf den noch nicht gesehenen Testdaten vorhersagen und die Genauigkeit deiner Modellvorhersagen berechnen. Du wirst den Unterschied in der Performance im Vergleich zur logistischen Regression sehen.
Die Funktion accuracy_score wurde importiert. Außerdem wurden die zuvor erstellten Trainings- und Testdatensätze für die Features als train_X und test_X sowie für die Zielvariablen als train_Y und test_Y geladen.
Diese Übung ist Teil des Kurses
<Kurs>Machine Learning für Marketing mit Python</Kurs>Übungsanweisungen
- Initialisiere einen Decision-Tree-Klassifikator.
- Fitte den Decision Tree auf den Trainingsdaten.
- Sage Churn-Labels auf den Testdaten voraus.
- Berechne und gib den Accuracy-Score auf den Testdaten aus.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Initialize decision tree classifier
mytree = tree.___()
# Fit the decision tree on training data
mytree.___(___, ___)
# Predict churn labels on testing data
pred_test_Y = ___.___(___)
# Calculate accuracy score on testing data
test_accuracy = ___(___, ___)
# Print test accuracy
print('Test accuracy:', round(___, 4))