Dopasuj drzewo decyzyjne
Teraz spróbujesz zbudować model drzewa decyzyjnego. Drzewo decyzyjne to zestaw wyuczonych maszynowo reguł „jeśli–to", które w przypadku rezygnacji klientów z usług telekomunikacyjnych decydują o tym, czy dany klient odejdzie, czy nie. Poniżej widać przykładowy graf drzewa decyzyjnego zbudowany na słynnym zbiorze danych o przeżywalności pasażerów Titanica.
Zbiory train_X, test_X, train_Y, test_Y z poprzedniego ćwiczenia zostały już wczytane. Wczytano również moduł tree oraz funkcję accuracy_score z biblioteki sklearn. Zbudujesz teraz swój model i sprawdzisz jego skuteczność na danych, których wcześniej nie widział.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zainicjalizuj model drzewa decyzyjnego z parametrem
max_depthustawionym na 5. - Dopasuj model do danych treningowych – podaj najpierw
train_X, a następnietrain_Y. - Wyznacz przewidywane wartości dla danych testowych, czyli
test_X. - Oceń skuteczność modelu na danych testowych, porównując rzeczywiste etykiety testowe z przewidywanymi.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(___, ___)