Karar ağacı
Son üç bölümde, Machine Learning mülakatının birçok yönünü ele almana yardımcı olacak çeşitli teknikler öğrendin. Bu bölümde, bir Machine Learning mülakatında senden istenen veya tartışacağın herhangi bir modelin genellenebilir olmasını sağlamak, doğru şekilde değerlendirmek ve olası diğer modeller arasından uygun şekilde seçmek için çeşitli yöntemlerle tanışacaksın.
Bu egzersizde, loan_data veri kümesi üzerinde bir karar ağacı için hiperparametre ayarlamasına dalacaksın.
Burada, ek bir ikili bölünme oluşturmak için gereken minimum örnek sayısı olan min_samples_split ve ağacın ne kadar derine kadar büyümesini istediğini belirleyen max_depth değerlerini ayarlayacaksın. Ağaç ne kadar derinse, o kadar çok bölünme olur ve dolayısıyla veriye dair daha fazla bilgi yakalar.
Özellik matrisi X ve hedef etiket y senin için içe aktarıldı.
Unutma, Machine Learning işlem hattındaki tüm adımları yine baştan sona gerçekleştiriyorsun!
Bu egzersiz, kursun bir parçasıdır
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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(____(____,____)))