Beslutsträd

I den här övningen ska du bygga ett enkelt beslutsträd med scikit-learns DecisionTreeClassifier på datamängden breast cancer, som är förinstallerad i scikit-learn.

Datamängden innehåller numeriska mätningar av olika dimensioner hos enskilda tumörer (till exempel omkrets och textur) från bröstvävnadsprover, samt ett målvärde per tumör – antingen malign (elakartad) eller benign (godartad).

Vi har förladdat datamängden med prover (mätningar) i X och målvärdena per tumör i y. Nu ska du dela upp hela datamängden i en tränings- och en testmängd och sedan träna en DecisionTreeClassifier. Du anger en parameter som heter max_depth. Det finns många fler parametrar att justera i den här modellen – du hittar en fullständig lista här.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Importera:
- train_test_split från sklearn.model_selection.
- DecisionTreeClassifier från sklearn.tree.
Skapa tränings- och testmängder så att 20 % av datan används för testning. Använd random_state 123.
Instansiera en DecisionTreeClassifier med namnet dt_clf_4 och max_depth satt till 4. Den här parametern anger det maximala antalet successiva delningspunkter innan ett lövnod nås.
Anpassa klassificeraren till träningsdatan och förutsäg etiketterna för testmängden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the necessary modules
____
____

# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=____)

# Instantiate the classifier: dt_clf_4
dt_clf_4 = ____

# Fit the classifier to the training set
____

# Predict the labels of the test set: y_pred_4
y_pred_4 = ____

# Compute the accuracy of the predictions: accuracy
accuracy = float(np.sum(y_pred_4==y_test))/y_test.shape[0]
print("accuracy:", accuracy)

Redigera och kör kod