Dopasowywanie drzewa do danych pracowniczych
Podział na zbiór treningowy i testowy pozwala na zbudowanie klasyfikatora na danych treningowych i sprawdzenie jego działania na pozostałych danych. W tym ćwiczeniu zaczniesz tworzyć model przewidywania rotacji pracowników, używając algorytmu klasyfikacji opartego na drzewie decyzyjnym. Algorytm udostępnia metodę .fit(), która służy do dopasowania cech do modelu na zbiorze treningowym.
Przypomnienie: dane docelowe i cechy są już podzielone na część treningową i testową (trening: features_train, target_train, test: features_test, target_test)
To ćwiczenie jest częścią kursu
HR Analytics: Przewidywanie rotacji pracowników w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj algorytm klasyfikacji o nazwie
DecisionTreeClassifier. - Zainicjuj go jako
modeli ustaw ziarno losowości na 42. - Zastosuj model drzewa decyzyjnego, dopasowując cechy ze zbioru treningowego do
model.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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, ____)