1. Learn
    2. /
  2. Курси
    3. /
  3. Практика співбесід з Machine Learning у Python
Connected

Вправа

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!

Конвеєр машинного навчання

Інструкції 1/2

undefined XP
  • 1
    • Імпортуйте відповідну функцію для класифікатора дерева рішень і розбийте дані на тренувальну та тестову вибірки.
    • Створіть екземпляр класифікатора дерева рішень, виконайте тренування, передбачення та виведіть точність.
  • 2
    • Імпортуйте відповідну функцію для крос-валідаційного перебору сітки параметрів.
    • Створіть екземпляр класифікатора дерева рішень і використайте його разом із сіткою параметрів для виконання крос-валідаційного grid search.
    • Виконайте тренування та виведіть метрики оцінки моделі