Обмежені та необмежені дерева рішень
У цій вправі ми знову звернемося до набору даних Pokémon з попереднього розділу. Нагадаємо, мета — передбачити, чи є певний Pokémon легендарним.
Тут ви побудуєте два окремі класифікатори на основі дерева рішень. У першому ви задасте параметри min_samples_leaf і min_samples_split, але не встановлюватимете максимальну глибину, щоб дерево могло повністю розвиватися без обмежень.
У другому ви накладете деякі обмеження, лімітувавши глибину дерева рішень. Порівнявши ці дві моделі, ви краще зрозумієте поняття «слабкого» навчального алгоритму (learner).
Ця вправа є частиною курсу
Ансамблеві методи в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Build unrestricted decision tree
clf = ____
clf.fit(X_train, y_train)
# Predict the labels
pred = clf.predict(X_test)
# Print the confusion matrix
cm = confusion_matrix(y_test, pred)
print('Confusion matrix:\n', cm)
# Print the F1 score
score = f1_score(y_test, pred)
print('F1-Score: {:.3f}'.format(score))