Дерева рішень

Ваше завдання у цій вправі — побудувати просте дерево рішень за допомогою DecisionTreeClassifier зі scikit-learn на наборі даних breast cancer, що постачається разом із scikit-learn.

Цей набір містить числові вимірювання різних характеристик окремих пухлин (наприклад, периметр і текстура) з біопсій молочної залози та одне цільове значення (пухлина є або злоякісною, або доброякісною).

Ми заздалегідь завантажили набір даних із зразками (вимірюваннями) в X, а цільові значення для кожної пухлини — у y. Тепер вам потрібно розділити повний набір даних на тренувальну і тестову вибірки, а потім навчити DecisionTreeClassifier. Ви задамо параметр max_depth. У цій моделі можна змінювати й багато інших параметрів — переглянути їх можна тут.

Ця вправа є частиною курсу

Екстремальний градієнтний бустинг з XGBoost

Переглянути курс

Інструкції до вправи

Імпортуйте:
- train_test_split із sklearn.model_selection.
- DecisionTreeClassifier із sklearn.tree.
Створіть тренувальну та тестову вибірки так, щоб 20% даних використовувалося для тестування. Використайте random_state рівним 123.
Створіть екземпляр DecisionTreeClassifier з назвою dt_clf_4 і max_depth рівним 4. Цей параметр визначає максимальну кількість послідовних розщеплень, перш ніж буде досягнуто листкового вузла.
Навчіть класифікатор на тренувальній вибірці та передбачте мітки для тестової вибірки.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import the necessary modules
____
____

# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=____)

# Instantiate the classifier: dt_clf_4
dt_clf_4 = ____

# Fit the classifier to the training set
____

# Predict the labels of the test set: y_pred_4
y_pred_4 = ____

# Compute the accuracy of the predictions: accuracy
accuracy = float(np.sum(y_pred_4==y_test))/y_test.shape[0]
print("accuracy:", accuracy)

Редагувати та запускати код