ПочатиПочніть безкоштовно

Ентропія vs індекс Джіні

У цій вправі ви порівняєте точність на тестовому наборі для dt_entropy з точністю іншого дерева dt_gini. Дерево dt_gini було навчено на тому самому наборі даних із тими самими параметрами, окрім критерію інформації, який було встановлено як індекс Джіні за допомогою ключового слова 'gini'.

X_test, y_test, dt_entropy, а також accuracy_gini, що відповідає точності на тестовому наборі, досягнутій dt_gini, доступні у вашому робочому середовищі.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте accuracy_score з sklearn.metrics.
  • Спрогнозуйте мітки тестового набору для dt_entropy та збережіть результат у y_pred.
  • Оцініть точність на тестовому наборі для dt_entropy та збережіть результат у accuracy_entropy.
  • Перегляньте accuracy_entropy і accuracy_gini.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import accuracy_score from sklearn.metrics
from ____.____ import ____

# Use dt_entropy to predict test set labels
____= ____.____(____)

# Evaluate accuracy_entropy
accuracy_entropy = ____(____, ____)

# Print accuracy_entropy
print(f'Accuracy achieved by using entropy: {accuracy_entropy:.3f}')

# Print accuracy_gini
print(f'Accuracy achieved by using the gini index: {accuracy_gini:.3f}')
Редагувати та запускати код