Árvores de decisão restritas e irrestritas
Neste exercício, vamos revisitar o conjunto de dados de Pokémon do capítulo anterior. Lembre que o objetivo é prever se um determinado Pokémon é lendário ou não.
Aqui, você vai construir dois classificadores de árvore de decisão separados. No primeiro, você especificará os parâmetros min_samples_leaf e min_samples_split, mas não definirá uma profundidade máxima, permitindo que a árvore se desenvolva totalmente, sem restrições.
No segundo, você vai impor algumas limitações restringindo a profundidade da árvore de decisão. Ao comparar os dois modelos, você vai entender melhor a ideia de um aprendiz "fraco".
Este exercício faz parte do curso
Métodos de Ensemble em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Build unrestricted decision tree
clf = ____
clf.fit(X_train, y_train)
# Predict the labels
pred = clf.predict(X_test)
# Print the confusion matrix
cm = confusion_matrix(y_test, pred)
print('Confusion matrix:\n', cm)
# Print the F1 score
score = f1_score(y_test, pred)
print('F1-Score: {:.3f}'.format(score))