平衡類別
類別不平衡會明顯影響預測結果，這可從 recall 與 accuracy 的差異看出。為了解決不平衡，通常會為每個類別賦予相同的權重。使用 sklearn 的 DecisionTreeClassifier 中的 class_weight 參數，可以讓類別變為 "balanced"。
現在來修正模型的類別不平衡問題：
- 先建立一個具有平衡類別的模型
- 接著，將它擬合到訓練資料
- 最後，在測試集上檢查它的準確率
變數 features_train、target_train、features_test 和 target_test 已經在你的工作空間中可用。
本練習屬於課程
HR 分析：用 Python 預測員工流失
練習說明
- 初始化 Decision Tree 分類器，並透過限制最大深度為 5 來修剪樹，同時平衡類別權重。
- 擬合這個新模型。
- 列印該模型在測試集上的預測準確率
score（百分比）。
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。
# Initialize the DecisionTreeClassifier
model_depth_5_b = DecisionTreeClassifier(____=5,class_weight="____",random_state=42)
# Fit the model
model_depth_5_b.____(features_train,target_train)
# Print the accuracy of the prediction (in percentage points) for the test set
print(model_depth_5_b.____(features_test,____)*100)