Ajusta un árbol de decisión
Ahora vas a intentar construir un modelo de árbol de decisión. Un árbol de decisión es una lista de reglas if-else aprendidas por Machine Learning que decide, en el caso de churn en telecomunicaciones, si los clientes causarán baja o no. Aquí tienes un ejemplo de gráfico de árbol de decisión construido sobre el famoso conjunto de datos de supervivencia del Titanic.
Se han cargado por ti train_X, test_X, train_Y, test_Y del ejercicio anterior. Además, el módulo tree y la función accuracy_score se han cargado desde la librería sklearn. Ahora construirás tu modelo y comprobarás su rendimiento en datos no vistos.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Inicializa el modelo de árbol de decisión con
max_depthestablecido en 5. - Ajusta el modelo con los datos de entrenamiento, primero
train_X, luegotrain_Y. - Predice los valores de los datos de prueba, en este caso
test_X. - Mide el rendimiento de tu modelo en los datos de prueba comparando entre tus etiquetas reales de test y las predichas.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Initialize the model with max_depth set at 5
mytree = tree.___(max_depth = ___)
# Fit the model on the training data
treemodel = mytree.___(___, ___)
# Predict values on the testing data
pred_Y = treemodel.___(___)
# Measure model performance on testing data
accuracy_score(___, ___)