Analiza reguł drzewa decyzyjnego

W tym ćwiczeniu wyodrębnisz reguły warunkowe z drzewa decyzyjnego i zwizualizujesz je, aby zidentyfikować główne czynniki wpływające na odejście klientów.

Wytrenowana instancja drzewa decyzyjnego jest załadowana jako mytree, a wyskalowane cechy – jako pandas DataFrame o nazwie train_X. Moduł tree z biblioteki sklearn oraz biblioteka graphviz zostały już dla ciebie załadowane.

Uwaga: zamiast display(graph) użyto własnej funkcji display_image(), aby ułatwić ci podgląd wyników.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w marketingu w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wyeksportuj obiekt graphviz z wytrenowanego drzewa decyzyjnego.
Przypisz nazwy cech.
Ustaw precyzję na 1 i dodaj nazwy klas.
Wywołaj funkcję Source() z biblioteki graphviz i przekaż jej wyeksportowany obiekt graphviz.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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")

Edytuj i uruchom kod