Arbore de decizie
În ultimele trei capitole, ai învățat o serie de tehnici care te ajută să abordezi multe aspecte ale unui interviu de machine learning. În acest capitol, vei descoperi diverse modalități de a te asigura că orice model pe care ești rugat să îl creezi sau să îl discuți într-un interviu de machine learning este generalizabil, evaluat corect și selectat corespunzător dintre alte modele posibile.
În acest exercițiu, vei explora reglarea hiperparametrilor pentru un arbore de decizie aplicat pe setul de date loan_data.
Vei regla min_samples_split, care reprezintă numărul minim de eșantioane necesar pentru a crea o divizare binară suplimentară, și max_depth, care indică cât de adânc vrei să crești arborele. Cu cât arborele este mai adânc, cu atât are mai multe divizări și, prin urmare, captează mai multe informații despre date.
Matricea de caracteristici X și eticheta țintă y au fost importate pentru tine.
Rețin că parcurgi din nou toți pașii din pipeline-ul de machine learning!
Acest exercițiu face parte din cursul
Exersează întrebări de interviu pentru Machine Learning în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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(____(____,____)))