เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การจำกัดขนาดตัวอย่างขั้นต่ำ

อีกวิธีหนึ่งในการป้องกัน overfitting คือการกำหนดจำนวนการสังเกตขั้นต่ำที่จำเป็นสำหรับการสร้าง leaf (หรือ node) ใน Decision Tree

ในแบบฝึกหัดนี้ คุณจะ:

  • กำหนดค่าขั้นต่ำนี้ที่ 100
  • fit โมเดลใหม่กับข้อมูลพนักงาน
  • ตรวจสอบผลการทำนายทั้งบนชุดข้อมูล training และ test

ตัวแปร features_train, target_train, features_test และ target_test พร้อมใช้งานใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

HR Analytics: การพยากรณ์การลาออกของพนักงานด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง DecisionTreeClassifier และกำหนดจำนวนการสังเกตขั้นต่ำของ leaf ที่ 100
  • fit โมเดล Decision Tree กับข้อมูล training
  • ตรวจสอบความแม่นยำของการทำนายบนทั้งชุดข้อมูล training และ test

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Initialize the DecisionTreeClassifier while limiting the sample size in leaves to 100
model_sample_100 = DecisionTreeClassifier(____, random_state=42)

# Fit the model
____.fit(features_train,____)

# Print the accuracy of the prediction (in percentage points) for the training set
print(____.score(features_train,target_train)*100)

# Print the accuracy of the prediction (in percentage points) for the test set
print(____.____(features_test,target_test)*100)
แก้ไขและรันโค้ด