Дерево рішень
У трьох попередніх розділах ви опанували низку методів, які допомагають розв'язувати багато аспектів співбесіди з машинного навчання. У цьому розділі ви познайомитеся з різними способами гарантувати, що будь-яка модель, яку вас попросять створити або обговорити на співбесіді з ML, узагальнюється на нові дані, правильно оцінюється та коректно обирається серед інших можливих моделей.
У цій вправі ви попрацюєте з налаштуванням гіперпараметрів для дерева рішень на наборі даних loan_data.
Тут ви налаштуєте min_samples_split — мінімальну кількість прикладів, потрібну для створення ще одного двійкового розбиття, та max_depth — максимальну глибину росту дерева. Чим глибше дерево, тим більше розбиттів і, відповідно, більше інформації про дані воно захоплює.
Матрицю ознак X і цільову змінну y вже імпортовано для вас.
Зверніть увагу, що ви знову виконуєте всі кроки конвеєра машинного навчання!
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import modules
from sklearn.tree import ____
from sklearn.metrics import accuracy_score
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=0.30, random_state=123)
# Instantiate, Fit, Predict
loans_clf = ____()
loans_clf.____(____, ____)
y_pred = loans_clf.____(____)
# Evaluation metric
print("Decision Tree Accuracy: {}".format(____(____,____)))