ПочатиПочніть безкоштовно

Добування параметра Random Forest

Тепер ви перенесете підхід, який застосовували до моделі логістичної регресії, на модель випадкового лісу. Параметром цієї моделі є те, як конкретне дерево вирішує, де розділяти на кожному рівні.

Цей аналіз не такий корисний, як коефіцієнти логістичної регресії, адже навряд чи ви коли-небудь детально розглядатимете кожне розбиття та кожне дерево у моделі випадкового лісу. Проте це дуже корисна вправа, щоб зазирнути „під капот" і побачити, що робить модель.

У цій вправі ми дістанемо одне дерево з нашої моделі випадкового лісу, візуалізуємо його та програмно дістанемо одне з розбиттів.

У вашому розпорядженні є:

  • Об'єкт моделі випадкового лісу rf_clf
  • Зображення верхньої частини вибраного дерева рішень tree_viz_image
  • DataFrame X_train і список original_variables

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Дістаньте 7-ме дерево (індекс 6) з моделі випадкового лісу.
  • Візуалізуйте це дерево (tree_viz_image), щоб побачити рішення про розбиття.
  • Дістаньте ознаку та поріг верхнього розбиття.
  • Виведіть разом назву ознаки та поріг.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Extract the 7th (index 6) tree from the random forest
chosen_tree = rf_clf.estimators_[____]

# Visualize the graph using the provided image
imgplot = plt.imshow(____)
plt.show()

# Extract the parameters and level of the top (index 0) node
split_column = chosen_tree.tree_.feature[____]
split_column_name = X_train.columns[split_column]
split_value = chosen_tree.tree_.threshold[____]

# Print out the feature and level
print("This node split on feature {}, at a value of {}".format(split_column_name, ____))
Редагувати та запускати код