Karar ağacı ile churn tahmini yap

Şimdi önceki egzersizde edindiğin becerilerin üzerine koyarak, müşteri churn’ünü tahmin etmek için ek parametrelerle daha karmaşık bir karar ağacı kuracaksın. Churn tahmini sorununa bir sonraki bölümde ayrıntılı şekilde dalacaksın. Burada karar ağacı sınıflandırıcısını eğitim verisi üzerinde tekrar çalıştıracak, görülmemiş (test) veri üzerinde churn oranını tahmin edecek ve model doğruluğunu her iki veri kümesi için de değerlendireceksin.

sklearn kütüphanesindeki tree modülü ve sklearn.metrics içinden accuracy_score fonksiyonu senin için yüklendi. Ayrıca özellik ve hedef değişkenleri eğitim verisi için train_X, train_Y, test verisi için test_X, test_Y olarak içe aktarıldı.

Bu egzersiz

Python ile Pazarlama için Machine Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Maksimum derinliği 7 olan ve gini kriterini kullanan bir Decision tree başlat.
Modeli eğitim verisine fit et.
Test veri kümesi üzerinde değerleri tahmin et.
Eğitim ve test veri kümeleri için doğruluk değerlerini yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize the Decision Tree
clf = tree.DecisionTreeClassifier(max_depth = ___, 
               criterion = 'gini', 
               splitter  = 'best')

# Fit the model to the training data
clf = clf.___(train_X, train_Y)

# Predict the values on test dataset
pred_Y = clf.___(test_X)

# Print accuracy values
print("Training accuracy: ", np.round(clf.score(train_X, train_Y), 3)) 
print("Test accuracy: ", np.round(___(test_Y, pred_Y), 3))

Kodu Düzenle ve Çalıştır