Árboles de decisión restringidos y no restringidos
En este ejercicio retomaremos el conjunto de datos de Pokémon del capítulo anterior. Recuerda que el objetivo es predecir si un Pokémon determinado es legendario o no.
Aquí vas a construir dos clasificadores de árbol de decisión por separado. En el primero, especificarás los parámetros min_samples_leaf y min_samples_split, pero no una profundidad máxima, de modo que el árbol pueda desarrollarse por completo sin restricciones.
En el segundo, imponerás algunas limitaciones acotando la profundidad del árbol de decisión. Al comparar ambos modelos, comprenderás mejor la noción de un aprendiz "débil".
Este ejercicio forma parte del curso
Ensemble Methods in Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Build unrestricted decision tree
clf = ____
clf.fit(X_train, y_train)
# Predict the labels
pred = clf.predict(X_test)
# Print the confusion matrix
cm = confusion_matrix(y_test, pred)
print('Confusion matrix:\n', cm)
# Print the F1 score
score = f1_score(y_test, pred)
print('F1-Score: {:.3f}'.format(score))