決策樹

你的任務是使用 scikit-learn 的 DecisionTreeClassifier，在隨附於 scikit-learn 的 breast cancer 資料集上建立一棵簡單的決策樹。

此資料集包含乳房切片檢查中，各個腫瘤的多種數值量測（例如周長與紋理）以及單一的結果值（腫瘤為惡性或良性）。

我們已將樣本（量測值）載入到 X，並將每個腫瘤的目標值載入到 y。現在，你需要將完整資料集切分為訓練集與測試集，接著訓練一個 DecisionTreeClassifier。你會指定一個名為 max_depth 的參數。此模型還有許多其他可調參數，你可以在這裡查看全部。

本練習屬於課程

使用 XGBoost 的極端梯度提升

檢視課程

練習說明

匯入：
- 從 sklearn.model_selection 匯入 train_test_split。
- 從 sklearn.tree 匯入 DecisionTreeClassifier。
建立訓練集與測試集，讓 20% 的資料用於測試。使用 random_state 為 123。
建立一個名為 dt_clf_4 的 DecisionTreeClassifier，並將 max_depth 設為 4。此參數用來指定在到達葉節點前，最多允許連續的分割次數。
將分類器擬合到訓練集，並預測測試集的標籤。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Import the necessary modules
____
____

# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=____)

# Instantiate the classifier: dt_clf_4
dt_clf_4 = ____

# Fit the classifier to the training set
____

# Predict the labels of the test set: y_pred_4
y_pred_4 = ____

# Compute the accuracy of the predictions: accuracy
accuracy = float(np.sum(y_pred_4==y_test))/y_test.shape[0]
print("accuracy:", accuracy)

編輯並執行程式碼