Beslutsträd
Under de tre senaste kapitlen har du lärt dig en rad tekniker för att hantera många aspekter av en maskininlärningsintervju. I det här kapitlet introduceras olika metoder för att säkerställa att en modell du ombeds skapa eller diskutera är generaliserbar, utvärderas korrekt och väljs ut på rätt sätt bland andra möjliga modeller.
I den här övningen fördjupar du dig i hyperparameterjustering för ett beslutsträd på datamängden loan_data.
Här justerar du min_samples_split, som är det minsta antalet sampel som krävs för att skapa en ytterligare binär uppdelning, och max_depth, som styr hur djupt du vill låta trädet växa. Ju djupare ett träd är, desto fler uppdelningar skapas – och därmed fångas mer information om datan.
Featurematrisen X och målvariabeln y har redan importerats.
Observera att du återigen utför alla steg i maskininlärningspipelinen!
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(____(____,____)))