Décomposer les règles de l'arbre de décision

Dans cet exercice, vous allez extraire les règles if-else de l'arbre de décision et les représenter pour repérer les principaux facteurs du churn.

L'instance d'arbre de décision entraînée est chargée sous le nom mytree et les variables normalisées sont chargées dans un DataFrame pandas appelé train_X. Le module tree de la bibliothèque sklearn ainsi que la bibliothèque graphviz ont déjà été chargés pour vous.

Notez que nous avons utilisé une fonction propriétaire display_image() plutôt que display(graph) afin de vous faciliter la visualisation du résultat.

Cette activité fait partie du cours

Machine Learning pour le marketing en Python

Voir le cours

Instructions de l’exercice

Exportez l'objet graphviz à partir de l'arbre de décision entraîné.
Attribuez les noms de variables (feature names).
Réglez la précision à 1 et ajoutez les noms des classes.
Appelez la fonction Source() de graphviz et transmettez-lui l'objet graphviz exporté.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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")

Modifier et exécuter le code