Decision tree
Dalam tiga bab terakhir, Anda telah mempelajari beragam teknik yang membantu Anda menghadapi banyak aspek wawancara Machine Learning. Pada bab ini, Anda akan diperkenalkan dengan berbagai cara untuk memastikan model apa pun yang diminta untuk Anda buat atau diskusikan dalam wawancara Machine Learning bersifat dapat digeneralisasi, dievaluasi dengan benar, dan dipilih dengan tepat dari antara model-model lain yang mungkin.
Pada latihan ini, Anda akan mendalami penyetelan hiperparameter untuk decision tree pada himpunan data loan_data.
Di sini Anda akan menyetel min_samples_split, yaitu jumlah minimum sampel yang diperlukan untuk membuat pemisahan biner tambahan, dan max_depth, yaitu seberapa dalam Anda ingin menumbuhkan pohon. Semakin dalam pohon, semakin banyak pemisahan dan karenanya menangkap lebih banyak informasi tentang data.
Matriks fitur X dan label target y telah diimpor untuk Anda.
Perhatikan bahwa Anda kembali melakukan semua langkah dalam pipeline Machine Learning!
Latihan ini merupakan bagian dari kursus
Berlatih Pertanyaan Wawancara Machine Learning dengan Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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(____(____,____)))