用決策樹預測流失

現在你要延續前一題學到的技巧，建立一棵更複雜、包含額外參數的決策樹來預測客戶流失。你會在下一章更深入探討流失預測問題。此處你會再次在訓練資料上執行決策樹分類器、在未看過的（測試）資料上預測流失率，並在兩個資料集上評估模型的準確率。

已為你載入 sklearn 函式庫中的 tree 模組，以及 sklearn.metrics 的 accuracy_score 函式。特徵與目標變數也已匯入為訓練資料的 train_X、train_Y，以及測試資料的 test_X、test_Y。

本練習屬於課程

Python 的行銷機器學習

檢視課程

練習說明

初始化一個決策樹，將最大深度設為 7，並使用 gini 準則。
將模型擬合到訓練資料。
在測試資料集上進行預測。
印出訓練與測試兩個資料集的準確率。

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 Decision Tree
clf = tree.DecisionTreeClassifier(max_depth = ___, 
               criterion = 'gini', 
               splitter  = 'best')

# Fit the model to the training data
clf = clf.___(train_X, train_Y)

# Predict the values on test dataset
pred_Y = clf.___(test_X)

# Print accuracy values
print("Training accuracy: ", np.round(clf.score(train_X, train_Y), 3)) 
print("Test accuracy: ", np.round(___(test_Y, pred_Y), 3))

編輯並執行程式碼