Addestrare l’albero sui dati dei dipendenti
Un train/test split ti permette di sviluppare il classificatore sulla parte di training e di testarlo sul resto dell’insieme di dati. In questo esercizio inizierai a sviluppare un modello di previsione del turnover dei dipendenti usando l’algoritmo di classificazione decision tree. L’algoritmo fornisce un metodo .fit() che puoi usare per adattare le feature al modello nel set di training.
Promemoria: sia il target sia le feature sono già divisi in componenti di training e test (Train: features_train, target_train, Test: features_test, target_test)
Questo esercizio fa parte del corso
HR Analytics: prevedere l'abbandono dei dipendenti in Python
Istruzioni dell'esercizio
- Importa l’algoritmo di classificazione chiamato
DecisionTreeClassifier. - Inizializzalo come
modele imposta il random state a 42. - Applica il modello ad albero decisionale adattando le feature del set di training al
model.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Import the classification algorithm
from sklearn.tree import ____
# Initialize it and call model by specifying the random_state parameter
model = ____(random_state=42)
# Apply a decision tree model to fit features to the target
model.____(features_train, ____)