Przewidywanie odpływu klientów za pomocą drzewa decyzyjnego
Teraz rozwiniesz umiejętności zdobyte w poprzednim ćwiczeniu i zbudujesz bardziej rozbudowane drzewo decyzyjne z dodatkowymi parametrami, aby przewidzieć odpływ klientów. W następnym rozdziale dogłębnie zajmiemy się tym problemem. Tutaj ponownie uruchomisz klasyfikator drzewa decyzyjnego na danych treningowych, przewidzisz odpływ na niewidzianych wcześniej danych testowych i ocenisz dokładność modelu na obu zbiorach.
Moduł tree z biblioteki sklearn został już załadowany, podobnie jak funkcja accuracy_score z sklearn.metrics. Cechy i zmienne docelowe są dostępne jako train_X, train_Y dla danych treningowych oraz test_X, test_Y dla danych testowych.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zainicjalizuj drzewo decyzyjne z maksymalną głębokością równą 7 oraz z kryterium gini.
- Dopasuj model do danych treningowych.
- Przewidź wartości na zbiorze testowym.
- Wyświetl wartości dokładności dla obu zbiorów: treningowego i testowego.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Initialize the Decision Tree
clf = tree.DecisionTreeClassifier(max_depth = ___,
criterion = 'gini',
splitter = 'best')
# Fit the model to the training data
clf = clf.___(train_X, train_Y)
# Predict the values on test dataset
pred_Y = clf.___(test_X)
# Print accuracy values
print("Training accuracy: ", np.round(clf.score(train_X, train_Y), 3))
print("Test accuracy: ", np.round(___(test_Y, pred_Y), 3))