Dopasowanie modelu drzewa decyzyjnego
Teraz dopasujemy drzewo decyzyjne na zbiorze treningowym zbioru danych telekomunikacyjnych, a następnie przewidzimy etykiety na niewidzianych wcześniej danych testowych i obliczymy dokładność prognoz modelu. Zobaczysz, jak różni się jego wydajność w porównaniu z regresją logistyczną.
Funkcja accuracy_score została już zaimportowana, a zbiory treningowy i testowy zbudowane wcześniej są dostępne jako train_X i test_X dla cech oraz train_Y i test_Y dla zmiennych docelowych.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zainicjalizuj klasyfikator drzewa decyzyjnego.
- Dopasuj drzewo decyzyjne na danych treningowych.
- Przewidź etykiety odejścia klientów na danych testowych.
- Oblicz i wyświetl wynik dokładności na danych testowych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Initialize decision tree classifier
mytree = tree.___()
# Fit the decision tree on training data
mytree.___(___, ___)
# Predict churn labels on testing data
pred_test_Y = ___.___(___)
# Calculate accuracy score on testing data
test_accuracy = ___(___, ___)
# Print test accuracy
print('Test accuracy:', round(___, 4))