Ajusta un modelo de árbol de decisión
Ahora vas a ajustar un árbol de decisión sobre el conjunto de entrenamiento del conjunto de datos de telecomunicaciones, luego predecir etiquetas en los datos de prueba no vistos y calcular la precisión de las predicciones de tu modelo. Verás la diferencia de rendimiento frente a la regresión logística.
La función accuracy_score ya se ha importado; además, los conjuntos de entrenamiento y prueba que construiste anteriormente se han cargado como train_X y test_X para las características, y train_Y y test_Y para la variable objetivo.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Inicializa un clasificador de árbol de decisión.
- Ajusta el árbol de decisión con los datos de entrenamiento.
- Predice las etiquetas de churn en los datos de prueba.
- Calcula e imprime la puntuación de precisión en los datos de prueba.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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))