Desglosa las reglas del árbol de decisión
En este ejercicio vas a extraer las reglas if-else del árbol de decisión y a dibujarlas para identificar los principales impulsores del churn.
La instancia del árbol de decisión ajustado está cargada como mytree y las features escaladas están cargadas en un DataFrame de pandas llamado train_X. El módulo tree de la biblioteca sklearn y la biblioteca graphviz ya se han cargado por ti.
Ten en cuenta que hemos usado una función propietaria display_image() en lugar de display(graph) para que te resulte más fácil ver el resultado.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Exporta el objeto de
graphvizdel árbol de decisión entrenado. - Asigna los nombres de las features.
- Establece la precisión en 1 y añade los nombres de las clases.
- Llama a la función
Source()degraphvizy pasa el objeto degraphvizexportado.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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")