正規化
正規化是指替模型加入額外資訊，以避免過度擬合。這能幫助提升你在本章前面看到的評估指標。在本練習中，你將調整決策樹的最大深度參數，觀察分類結果如何改變。
你的工作環境中已提供 X_train、y_train、X_test、y_test。pandas（作為 pd）、numpy（作為 np）與 sklearn 也都可用。此外，sklearn.metrics 中的 confusion_matrix()、precision_score() 與 recall_score() 亦可使用。
本練習屬於課程
用 Python 透過機器學習預測 CTR
練習說明
- 透過調整每棵樹的最大深度，建立多個不同的決策樹。
- 對每棵樹，在測試資料上進行擬合並產生預測。
- 評估每棵樹的混淆矩陣、精確率（precision）與召回率（recall）。
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。
# Iterate over different levels of max depth
for max_depth_val in [2, 3, 5, 10, 15, 20]:
# Create and fit model
clf = ____(____ = max_depth_val)
print("Evaluating tree with max_depth = %s" %(max_depth_val))
y_pred = clf.fit(____, ____).predict(____)
# Evaluate confusion matrix, precision, recall
print("Confusion matrix: ")
print(____(y_test, y_pred))
prec = ____(____, ____, average = 'weighted')
recall = ____(____, ____, average = 'weighted')
print("Precision: %s, Recall: %s" %(prec, recall))