Дерево решений
В предыдущих трёх главах вы освоили широкий спектр техник, которые помогут вам уверенно справиться с различными аспектами собеседования по машинному обучению. В этой главе вы познакомитесь с разными подходами к тому, чтобы любая модель, которую вас попросят создать или обсудить на собеседовании, была обобщаемой, корректно оценённой и правильно выбранной среди других возможных вариантов.
В этом упражнении вы займётесь подбором гиперпараметров дерева решений на наборе данных loan_data.
Вы будете настраивать min_samples_split — минимальное количество выборок, необходимое для создания дополнительного бинарного разбиения, — и max_depth, определяющий глубину дерева. Чем глубже дерево, тем больше разбиений и, следовательно, тем больше информации о данных оно улавливает.
Матрица признаков X и целевая переменная y уже импортированы для вас.
Обратите внимание: вы снова выполняете все шаги конвейера машинного обучения!
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____(____,____)))