Sviluppa e testa il modello migliore
Nel Capitolo 3 hai scoperto che i seguenti parametri consentono di ottenere un modello migliore:
max_depth = 8,min_samples_leaf = 150,class_weight = "balanced"
In questo capitolo, hai visto che alcune feature hanno un impatto trascurabile. Hai capito che puoi ottenere previsioni accurate usando solo un piccolo numero di feature selezionate e rilevanti e hai aggiornato di conseguenza i tuoi insiemi di training e test, creando le variabili features_train_selected e features_test_selected.
Con tutte queste informazioni a disposizione, ora svilupperai il miglior modello per prevedere il turnover dei dipendenti e lo valuterai usando le metriche appropriate.
Le variabili features_train_selected e features_test_selected sono disponibili nel tuo workspace e le funzioni recall_score e roc_auc_score sono già state importate per te.
Questo esercizio fa parte del corso
HR Analytics: prevedere l'abbandono dei dipendenti in Python
Istruzioni dell'esercizio
- Inizializza il modello migliore usando i parametri forniti nella descrizione.
- Esegui il fit del modello utilizzando solo le feature selezionate del training set.
- Effettua una previsione basata sulle feature selezionate del test set.
- Stampa le metriche di accuratezza, recall e ROC/AUC del modello.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Initialize the best model using parameters provided in description
model_best = DecisionTreeClassifier(____=____, ____=____, ____=____, random_state=42)
# Fit the model using only selected features from training set: done
model_best.fit(____, target_train)
# Make prediction based on selected list of features from test set
prediction_best = model_best.____(____)
# Print the general accuracy of the model_best
print(____.score(features_test_selected, target_test) * 100)
# Print the recall score of the model predictions
print(____(target_test, prediction_best) * 100)
# Print the ROC/AUC score of the model predictions
print(roc_auc_score(target_test, ____) * 100)