Drzewo decyzyjne
W trzech poprzednich rozdziałach poznałeś(-aś) szereg technik przydatnych podczas rozmowy kwalifikacyjnej z uczenia maszynowego. W tym rozdziale zapoznasz się z różnymi metodami, które pozwolą upewnić się, że każdy omawiany lub tworzony model jest odpowiednio uogólniony, poprawnie oceniony i właściwie wybrany spośród innych kandydatów.
W tym ćwiczeniu zajmiesz się strojeniem hiperparametrów drzewa decyzyjnego na zbiorze danych loan_data.
Dostroić należy min_samples_split – minimalną liczbę próbek wymaganą do utworzenia dodatkowego podziału binarnego – oraz max_depth, czyli głębokość drzewa. Im głębsze drzewo, tym więcej podziałów, a co za tym idzie – tym więcej informacji o danych zostaje uchwyconych.
Macierz cech X oraz etykieta docelowa y zostały już zaimportowane.
Zauważ, że ponownie wykonujesz wszystkie kroki potoku uczenia maszynowego!
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import modules
from sklearn.tree import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_clf = ____()
loans_clf.____(____, ____)
y_pred = loans_clf.____(____)
# Evaluation metric
print("Decision Tree Accuracy: {}".format(____(____,____)))