Analizza le regole dell'albero di decisione
In questo esercizio estrarrai le regole if-else dall'albero di decisione e le visualizzerai per individuare i principali driver del churn.
L'istanza dell'albero di decisione addestrata è caricata come mytree e le feature scalate sono caricate in un DataFrame di pandas chiamato train_X. Il modulo tree della libreria sklearn e la libreria graphviz sono già stati caricati per te.
Tieni presente che abbiamo usato una funzione proprietaria display_image() invece di display(graph) per semplificare la visualizzazione dell'output.
Questo esercizio fa parte del corso
Machine Learning per il marketing con Python
Istruzioni dell'esercizio
- Esporta l'oggetto
graphvizdall'albero di decisione addestrato. - Assegna i nomi delle feature.
- Imposta la precisione a 1 e aggiungi i nomi delle classi.
- Chiama la funzione
Source()digraphvize passa l'oggettographvizesportato.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Export graphviz object from the trained decision tree
exported = tree.___(decision_tree=mytree,
# Assign feature names
out_file=None, ___=train_X.columns,
# Set precision to 1 and add class names
precision=1, ___=['Not churn','Churn'], filled = True)
# Call the Source function and pass the exported graphviz object
graph = graphviz.___(exported)
# Display the decision tree
display_image("/usr/local/share/datasets/decision_tree_rules.png")