Изучение правил дерева решений
В этом упражнении вы извлечёте правила вида «если–то» из дерева решений и визуализируете их, чтобы определить основные факторы оттока клиентов.
Обученный экземпляр дерева решений загружен как mytree, а масштабированные признаки — как DataFrame pandas с именем train_X. Модуль tree из библиотеки sklearn и библиотека graphviz уже импортированы.
Обратите внимание: вместо display(graph) здесь используется специальная функция display_image(), чтобы вам было удобнее просматривать результат.
Это упражнение является частью курса
Машинное обучение для маркетинга на Python
Инструкции к упражнению
- Экспортируйте объект
graphvizиз обученного дерева решений. - Задайте названия признаков.
- Установите точность равной 1 и добавьте названия классов.
- Вызовите функцию
Source()изgraphvizи передайте ей экспортированный объектgraphviz.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Export graphviz object from the trained decision tree
exported = tree.___(decision_tree=mytree,
# Assign feature names
out_file=None, ___=train_X.columns,
# Set precision to 1 and add class names
precision=1, ___=['Not churn','Churn'], filled = True)
# Call the Source function and pass the exported graphviz object
graph = graphviz.___(exported)
# Display the decision tree
display_image("/usr/local/share/datasets/decision_tree_rules.png")