Zacznij terazZacznij za darmo

Entropia a indeks Giniego

W tym ćwiczeniu porównasz dokładność dt_entropy na zbiorze testowym z dokładnością innego drzewa o nazwie dt_gini. Drzewo dt_gini zostało wytrenowane na tym samym zbiorze danych z tymi samymi parametrami – z wyjątkiem kryterium informacyjnego, które ustawiono na indeks Giniego za pomocą słowa kluczowego 'gini'.

W twoim środowisku dostępne są: X_test, y_test, dt_entropy oraz accuracy_gini, która odpowiada dokładności osiągniętej przez dt_gini na zbiorze testowym.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj accuracy_score z sklearn.metrics.
  • Przewidź etykiety zbioru testowego dla dt_entropy i przypisz wynik do y_pred.
  • Oblicz dokładność dt_entropy na zbiorze testowym i przypisz wynik do accuracy_entropy.
  • Sprawdź wartości accuracy_entropy i accuracy_gini.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import accuracy_score from sklearn.metrics
from ____.____ import ____

# Use dt_entropy to predict test set labels
____= ____.____(____)

# Evaluate accuracy_entropy
accuracy_entropy = ____(____, ____)

# Print accuracy_entropy
print(f'Accuracy achieved by using entropy: {accuracy_entropy:.3f}')

# Print accuracy_gini
print(f'Accuracy achieved by using the gini index: {accuracy_gini:.3f}')
Edytuj i uruchom kod