Ajustar el árbol a los datos de empleados
La división en entrenamiento/prueba te permite desarrollar el clasificador con el conjunto de entrenamiento y probarlo con el resto del conjunto de datos. En este ejercicio, empezarás a desarrollar un modelo de predicción de rotación de empleados usando el algoritmo de clasificación de árbol de decisión. El algoritmo proporciona un método .fit() que se puede usar para ajustar las variables explicativas al modelo en el conjunto de entrenamiento.
Recuerda: tanto el objetivo como las variables ya están divididos en componentes de entrenamiento y prueba (Entrenamiento: features_train, target_train, Prueba: features_test, target_test)
Este ejercicio forma parte del curso
Analítica de RR. HH.: Predicción de rotación de empleados en Python
Instrucciones del ejercicio
- Importa el algoritmo de clasificación llamado
DecisionTreeClassifier. - Inícialo como
modely establece el random state en 42. - Aplica el modelo de árbol de decisión ajustando las variables de entrenamiento al
model.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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, ____)