Arbres de décision restreints et non restreints
Dans cet exercice, nous allons revoir l'ensemble de données Pokémon du chapitre précédent. Rappelez-vous que l'objectif est de prédire si un Pokémon donné est légendaire ou non.
Ici, vous allez construire deux classifieurs par arbre de décision distincts. Pour le premier, vous préciserez les paramètres min_samples_leaf et min_samples_split, mais pas de profondeur maximale, afin que l'arbre puisse se développer pleinement sans contrainte.
Pour le second, vous imposerez certaines limites en restreignant la profondeur de l'arbre de décision. En comparant ensuite les deux modèles, vous comprendrez mieux la notion d'« apprenant faible ».
Cette activité fait partie du cours
Méthodes d'ensemble en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))