शुरू करेंमुफ़्त में शुरू करें

Decision Tree से churn की भविष्यवाणी

अब आप पिछले अभ्यास में सीखी गई स्किल्स पर आगे बढ़ेंगे, और अतिरिक्त पैरामीटर्स के साथ एक अधिक जटिल decision tree बनाएँगे ताकि customer churn की भविष्यवाणी की जा सके. अगले अध्याय में आप churn prediction समस्या को गहराई से समझेंगे. यहाँ आप अपने training डेटा पर decision tree classifier फिर से चलाएँगे, अनदेखे (test) डेटा पर churn रेट की भविष्यवाणी करेंगे, और दोनों डेटासेट्स पर मॉडल की accuracy आँकेंगे.

sklearn लाइब्रेरी के tree मॉड्यूल को, और sklearn.metrics से accuracy_score फंक्शन को आपके लिए लोड किया गया है. फीचर्स और target वैरिएबल भी इंपोर्ट किए गए हैं: training डेटा के लिए train_X, train_Y, और test डेटा के लिए test_X, test_Y.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में मार्केटिंग के लिए मशीन लर्निंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • अधिकतम गहराई 7 और gini criterion के साथ एक Decision Tree इनिशियलाइज़ करें.
  • मॉडल को training डेटा पर fit करें.
  • test डेटासेट पर वैल्यूज़ predict करें.
  • training और test दोनों डेटासेट्स के लिए accuracy वैल्यूज़ प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Initialize the Decision Tree
clf = tree.DecisionTreeClassifier(max_depth = ___, 
               criterion = 'gini', 
               splitter  = 'best')

# Fit the model to the training data
clf = clf.___(train_X, train_Y)

# Predict the values on test dataset
pred_Y = clf.___(test_X)

# Print accuracy values
print("Training accuracy: ", np.round(clf.score(train_X, train_Y), 3)) 
print("Test accuracy: ", np.round(___(test_Y, pred_Y), 3))
कोड संपादित करें और चलाएँ