Ajustar modelo de árvore de decisão
Agora você vai ajustar uma árvore de decisão no conjunto de treino do conjunto de dados de telecomunicações, depois prever os rótulos nos dados de teste (ainda não vistos) e calcular a acurácia das previsões do seu modelo. Você verá a diferença de desempenho em comparação com a regressão logística.
A função accuracy_score já foi importada; além disso, os conjuntos de treino e teste que você construiu anteriormente foram carregados como train_X e test_X (features) e train_Y e test_Y (variáveis-alvo).
Este exercício faz parte do curso
Machine Learning para Marketing em Python
Instruções do exercício
- Inicialize um classificador de árvore de decisão.
- Ajuste a árvore de decisão nos dados de treino.
- Faça previsões dos rótulos de churn nos dados de teste.
- Calcule e imprima a pontuação de acurácia nos dados de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Initialize decision tree classifier
mytree = tree.___()
# Fit the decision tree on training data
mytree.___(___, ___)
# Predict churn labels on testing data
pred_test_Y = ___.___(___)
# Calculate accuracy score on testing data
test_accuracy = ___(___, ___)
# Print test accuracy
print('Test accuracy:', round(___, 4))