Albero decisionale
Negli ultimi tre capitoli, hai imparato una serie di tecniche che ti aiutano ad affrontare molti aspetti di un colloquio di Machine Learning. In questo capitolo, vedrai vari modi per assicurarti che qualsiasi modello ti venga chiesto di creare o discutere in un colloquio di Machine Learning sia generalizzabile, valutato correttamente e scelto in modo appropriato tra altri possibili modelli.
In questo esercizio, ti concentrerai sull'ottimizzazione degli iperparametri per un albero decisionale sul dataset loan_data.
Qui ottimizzerai min_samples_split, il numero minimo di campioni richiesti per creare una suddivisione binaria aggiuntiva, e max_depth, cioè quanto in profondità vuoi far crescere l'albero. Più un albero è profondo, più suddivisioni effettua e quindi cattura maggiori informazioni sui dati.
La matrice delle feature X e l'etichetta target y sono già state importate per te.
Nota che stai ancora una volta eseguendo tutti i passaggi della pipeline di Machine Learning!
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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(____(____,____)))