Begränsade och obegränsade beslutsträd
I den här övningen återvänder vi till Pokémon-datamängden från föregående kapitel. Målet är att förutsäga om ett givet Pokémon är legendariskt eller inte.
Här bygger du två separata beslutsträdsklassificerare. I den första anger du parametrarna min_samples_leaf och min_samples_split, men inget maximalt djup – trädet får alltså utvecklas fritt utan begränsningar.
I den andra begränsar du trädets djup. Genom att sedan jämföra de två modellerna får du en bättre förståelse för begreppet "svag" inlärare.
Den här övningen är en del av kursen
Ensemblemetoder i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))