Ajuster un modèle d'arbre de décision
Vous allez maintenant ajuster un arbre de décision sur l'ensemble d'entraînement du jeu de données de télécommunications, puis prédire les étiquettes sur les données de test non vues et calculer la précision des prédictions de votre modèle. Vous verrez la différence de performance par rapport à la régression logistique.
La fonction accuracy_score a été importée. Les ensembles d'entraînement et de test que vous avez construits précédemment ont été chargés comme train_X et test_X pour les caractéristiques, et train_Y et test_Y pour la variable cible.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Initialisez un classifieur par arbre de décision.
- Ajustez l'arbre de décision sur les données d'entraînement.
- Prédisez les étiquettes de désabonnement sur les données de test.
- Calculez et affichez le score de précision sur les données de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))