1. Learn
    2. /
  2. Курси
    3. /
  3. Machine Learning для маркетингу в Python
Connected

Вправа

Визначення оптимальної глибини дерева

Тепер ви налаштуєте параметр max_depth дерева рішень, щоб знайти значення, яке зменшує перенавчання й водночас зберігає хороші метрики якості моделі. Ви запустите цикл for для кількох значень max_depth, навчите для кожного дерево рішень, а потім обчислите метрики.

Список кандидатів параметра depth_list уже завантажено для вас. Масив depth_tuning підготовлено з 2 стовпцями: перший заповнено кандидатами глибини, а наступний є місцем для значення recall. Також ознаки та цільові змінні завантажено як train_X, train_Y для тренувальних даних і test_X, test_Y для тестових. Бібліотеки numpy та pandas завантажено як np і pd відповідно.

Інструкції

100 XP
  • Запустіть цикл for по діапазону від 0 до довжини списку depth_list.
  • Для кожного кандидата глибини ініціалізуйте та навчіть класифікатор дерева рішень і спрогнозуйте відтік на тестових даних.
  • Для кожного кандидата глибини обчисліть значення recall за допомогою функції recall_score() і збережіть його в другому стовпці depth_tunning.
  • Створіть датафрейм pandas з depth_tuning з відповідними назвами стовпців.