Train een decision tree
Nu ga je zelf een decision tree-model bouwen. De decision tree is een lijst met via Machine Learning geleerde if-else-regels die in het telecom-churnvoorbeeld bepalen of klanten afhaken of niet. Hier zie je een voorbeeld van een decision tree-grafiek, gebouwd op de beroemde Titanic-overlevingsgegevens.
De train_X, test_X, train_Y, test_Y uit de vorige oefening zijn voor je geladen. Ook zijn de tree-module en de functie accuracy_score uit de sklearn-bibliotheek geladen. Je bouwt nu je model en controleert de prestaties op ongeziene data.
Deze oefening maakt deel uit van de cursus
Machine Learning voor marketing in Python
Oefeninstructies
- Initialiseer het decision tree-model met
max_depthingesteld op 5. - Fit het model op de trainingsdata, eerst
train_X, daarnatrain_Y. - Voorspel waarden voor de testdata, in dit geval
test_X. - Meet de prestaties van je model op de testdata door je echte testlabels te vergelijken met de voorspelde labels.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Initialize the model with max_depth set at 5
mytree = tree.___(max_depth = ___)
# Fit the model on the training data
treemodel = mytree.___(___, ___)
# Predict values on the testing data
pred_Y = treemodel.___(___)
# Measure model performance on testing data
accuracy_score(___, ___)