Kom igångKom igång gratis

Entropi vs. Gini-index

I den här övningen ska du jämföra noggrannheten på testmängden för dt_entropy med noggrannheten hos ett annat träd som heter dt_gini. Trädet dt_gini tränades på samma datamängd med samma parametrar, med undantag för informationskriteriet som sattes till Gini-index via nyckelordet 'gini'.

X_test, y_test, dt_entropy samt accuracy_gini, vilket motsvarar noggrannheten på testmängden för dt_gini, finns tillgängliga i din miljö.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera accuracy_score från sklearn.metrics.
  • Förutsäg etiketterna för testmängden med dt_entropy och tilldela resultatet till y_pred.
  • Utvärdera noggrannheten på testmängden för dt_entropy och tilldela resultatet till accuracy_entropy.
  • Granska accuracy_entropy och accuracy_gini.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import accuracy_score from sklearn.metrics
from ____.____ import ____

# Use dt_entropy to predict test set labels
____= ____.____(____)

# Evaluate accuracy_entropy
accuracy_entropy = ____(____, ____)

# Print accuracy_entropy
print(f'Accuracy achieved by using entropy: {accuracy_entropy:.3f}')

# Print accuracy_gini
print(f'Accuracy achieved by using the gini index: {accuracy_gini:.3f}')
Redigera och kör kod