Decision tree
पिछले तीन अध्यायों में, आपने कई तकनीकें सीखी हैं जो मशीन लर्निंग इंटरव्यू के अलग-अलग पहलुओं को संभालने में मदद करती हैं। इस अध्याय में, आप यह देखेंगे कि किसी भी मॉडल को, जिसे आपसे इंटरव्यू में बनवाया या समझाया जा सकता है, कैसे जनरलाइज़ेबल बनाया जाए, सही तरीके से इवैल्यूएट किया जाए, और अन्य संभावित मॉडलों में से उपयुक्त मॉडल चुना जाए।
इस अभ्यास में, आप loan_data डेटासेट पर एक decision tree के लिए हाइपरपैरामीटर ट्यूनिंग करेंगे।
यहाँ आप min_samples_split ट्यून करेंगे, जो किसी अतिरिक्त बाइनरी split के लिए आवश्यक न्यूनतम सैंपल संख्या है, और max_depth, यानी आप tree को कितनी गहराई तक बढ़ाना चाहते हैं। जितना गहरा tree होगा, उतने अधिक splits होंगे और डेटा के बारे में उतनी अधिक जानकारी कैप्चर होगी।
फ़ीचर मैट्रिक्स X और टार्गेट लेबल y आपके लिए इम्पोर्ट कर दिए गए हैं।
ध्यान दें कि आप एक बार फिर मशीन लर्निंग पाइपलाइन के सभी स्टेप्स कर रहे हैं!
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Machine Learning इंटरव्यू प्रश्नों का अभ्यास
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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(____(____,____)))