ค้นหาความลึกของ tree ที่เหมาะสมที่สุด

ในแบบฝึกหัดนี้ จะได้ปรับพารามิเตอร์ max_depth ของ decision tree เพื่อหาค่าที่ช่วยลด over-fitting ในขณะที่ยังคงประสิทธิภาพของโมเดลไว้ได้ดี โดยจะรัน for loop ผ่านค่า max_depth หลายค่า แล้ว fit decision tree สำหรับแต่ละค่า จากนั้นคำนวณค่าเมตริกประสิทธิภาพ

ลิสต์ depth_list ที่มีค่าพารามิเตอร์ที่ต้องการทดสอบถูกโหลดไว้ให้แล้ว อาร์เรย์ depth_tuning ถูกสร้างไว้ให้มี 2 คอลัมน์ โดยคอลัมน์แรกบรรจุค่า depth ที่เป็นตัวเลือก และคอลัมน์ถัดไปเป็น placeholder สำหรับ recall score นอกจากนี้ ตัวแปร features และ target ถูกโหลดเป็น train_X, train_Y สำหรับข้อมูลฝึก และ test_X, test_Y สำหรับข้อมูลทดสอบ ไลบรารี numpy และ pandas ถูกโหลดเป็น np และ pd ตามลำดับ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับการตลาดด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

รัน for loop ในช่วงตั้งแต่ 0 ถึงความยาวของลิสต์ depth_list
สำหรับแต่ละค่า depth ที่เป็นตัวเลือก ให้ initialize และ fit decision tree classifier แล้วพยากรณ์การ churn บนข้อมูลทดสอบ
สำหรับแต่ละค่า depth ที่เป็นตัวเลือก ให้คำนวณ recall score โดยใช้ฟังก์ชัน recall_score() แล้วเก็บผลลัพธ์ไว้ในคอลัมน์ที่สองของ depth_tunning
สร้าง DataFrame ด้วย pandas จาก depth_tuning พร้อมระบุชื่อคอลัมน์ที่เหมาะสม

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Run a for loop over the range of depth list length
for index in ___(0, len(depth_list)):
  # Initialize and fit decision tree with the `max_depth` candidate
  mytree = DecisionTreeClassifier(___=depth_list[index])
  mytree.fit(___, train_Y)
  # Predict churn on the testing data
  pred_test_Y = mytree.predict(___)
  # Calculate the recall score 
  depth_tuning[index,1] = ___(test_Y, ___)

# Name the columns and print the array as pandas DataFrame
col_names = ['Max_Depth','Recall']
print(pd.DataFrame(depth_tuning, columns=___))

แก้ไขและรันโค้ด