1. Nauka
    2. /
  2. Kursy
    3. /
  3. HR Analytics: Przewidywanie rotacji pracowników w Pythonie
Connected

ćwiczenie

Równoważenie klas

Nierównowaga klas może znacząco wpływać na wyniki predykcji – widać to wyraźnie w różnicy między wartościami recall i accuracy. Aby rozwiązać ten problem, zwykle przypisuje się równe wagi każdej klasie. Argument class_weight w klasie DecisionTreeClassifier z biblioteki sklearn pozwala ustawić klasy jako "balanced".

Poprawmy nasz model, eliminując problem nierównowagi klas:

  • najpierw skonfigurujesz model z wyważonymi klasami,
  • następnie dopasowujesz go do danych treningowych,
  • na końcu sprawdzisz jego dokładność na zbiorze testowym.

Zmienne features_train, target_train, features_test i target_test są już dostępne w twoim środowisku pracy.

Instrukcje

100 XP
  • Zainicjalizuj klasyfikator drzewa decyzyjnego, przytnij drzewo, ograniczając jego maksymalną głębokość do 5, i wyważ wagi klas.
  • Dopasuj nowy model.
  • Wyświetl dokładność score predykcji (w punktach procentowych) dla zbioru testowego.