เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Entropy กับ Gini index

ในแบบฝึกหัดนี้ จะเปรียบเทียบความแม่นยำบน test set ของ dt_entropy กับความแม่นยำของต้นไม้อีกต้นที่ชื่อ dt_gini โดยที่ dt_gini ถูกเทรนบนชุดข้อมูลเดียวกันด้วยพารามิเตอร์เดียวกันทุกประการ ยกเว้นเกณฑ์การวัดข้อมูล (information criterion) ซึ่งตั้งค่าเป็น gini index ผ่านคีย์เวิร์ด 'gini'

X_test, y_test, dt_entropy รวมถึง accuracy_gini ซึ่งเป็นค่าความแม่นยำบน test set ของ dt_gini มีพร้อมใช้งานใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning with Tree-Based Models in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้า accuracy_score จาก sklearn.metrics
  • ทำนายป้ายกำกับของ test set ด้วย dt_entropy แล้วกำหนดผลลัพธ์ให้กับ y_pred
  • ประเมินความแม่นยำบน test set ของ dt_entropy แล้วกำหนดผลลัพธ์ให้กับ accuracy_entropy
  • ตรวจสอบค่า accuracy_entropy และ accuracy_gini

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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}')
แก้ไขและรันโค้ด