Розкладіть правила дерева рішень

У цій вправі ви дістанете правила if-else з дерева рішень і візуалізуєте їх, щоб визначити головні чинники відтоку.

Навчений екземпляр дерева рішень завантажено як mytree, а масштабовані ознаки завантажено як датафрейм pandas під назвою train_X. Модуль tree із бібліотеки sklearn і бібліотеку graphviz уже імпортовано для вас.

Зверніть увагу, що ми використали власну функцію display_image() замість display(graph), щоб вам було зручніше переглядати результат.

Ця вправа є частиною курсу

Machine Learning для маркетингу в Python

Переглянути курс

Інструкції до вправи

Експортуйте об'єкт graphviz з натренованого дерева рішень.
Додайте назви ознак.
Встановіть точність у 1 і додайте назви класів.
Викличте функцію Source() з graphviz і передайте експортований об'єкт graphviz.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Export graphviz object from the trained decision tree 
exported = tree.___(decision_tree=mytree, 
			# Assign feature names
            out_file=None, ___=train_X.columns, 
			# Set precision to 1 and add class names
			precision=1, ___=['Not churn','Churn'], filled = True)

# Call the Source function and pass the exported graphviz object
graph = graphviz.___(exported)

# Display the decision tree
display_image("/usr/local/share/datasets/decision_tree_rules.png")

Редагувати та запускати код