Arbre de décision
Dans les trois chapitres précédents, vous avez appris une panoplie de techniques pour aborder divers aspects d'une entrevue en Machine Learning. Dans ce chapitre, vous verrez différentes façons de vous assurer que tout modèle que l'on vous demande de créer ou de commenter lors d'une entrevue en Machine Learning est généralisable, correctement évalué et bien choisi parmi d'autres modèles possibles.
Dans cet exercice, vous allez vous pencher sur l'ajustement d'hyperparamètres pour un arbre de décision sur le jeu de données loan_data.
Ici, vous réglerez min_samples_split, soit le nombre minimal d'échantillons requis pour créer une séparation binaire supplémentaire, et max_depth, soit la profondeur maximale de l'arbre. Plus un arbre est profond, plus il comporte de divisions et plus il capte d'information sur les données.
La matrice de caractéristiques X et l'étiquette cible y ont été importées pour vous.
Remarquez que vous exécutez encore une fois toutes les étapes de la chaîne de traitement en Machine Learning!
Cette activité fait partie du cours
S'exercer aux questions d'entrevue en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import modules
from sklearn.tree import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_clf = ____()
loans_clf.____(____, ____)
y_pred = loans_clf.____(____)
# Evaluation metric
print("Decision Tree Accuracy: {}".format(____(____,____)))