Ajuster un modèle d’arbre de décision
Vous allez maintenant entraîner un arbre de décision sur l’ensemble d’entraînement du jeu de données télécom, puis prédire les labels sur les données de test non vues et calculer la précision de vos prédictions. Vous observerez la différence de performance par rapport à la régression logistique.
La fonction accuracy_score a été importée. Les jeux d’entraînement et de test que vous avez construits précédemment ont été chargés : train_X et test_X pour les variables explicatives, et train_Y et test_Y pour la variable cible.
Cet exercice fait partie du cours
Machine Learning pour le marketing en Python
Instructions
- Initialisez un classifieur à arbre de décision.
- Entraînez l’arbre de décision sur les données d’entraînement.
- Prédisez les labels de churn 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 cet exemple de code.
# 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))