Ajuster un arbre de décision
Vous allez maintenant essayer de construire un modèle d'arbre de décision. Un arbre de décision est une liste de règles if-else apprises par Machine Learning qui déterminent, dans le cas de l'attrition dans les télécoms, si les clients vont se désabonner ou non. Voici un exemple de graphe d'arbre de décision construit sur le célèbre jeu de données de survie du Titanic.
Les train_X, test_X, train_Y, test_Y de l'exercice précédent ont été chargés pour vous. De plus, le module tree et la fonction accuracy_score ont été importés de la bibliothèque sklearn. Vous allez maintenant construire votre modèle et vérifier sa performance sur des données jamais vues.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Initialisez le modèle d'arbre de décision avec
max_depthà 5. - Ajustez le modèle sur les données d'entraînement, d'abord
train_X, puistrain_Y. - Prédisez les valeurs des données de test, dans ce cas
test_X. - Mesurez la performance de votre modèle sur les données de test en comparant vos étiquettes réelles de test et celles prédites.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(___, ___)