开发并测试最佳模型

在第 3 章中，您发现以下参数可以得到更好的模型：

max_depth = 8，
min_samples_leaf = 150，
class_weight = "balanced"

在本章中，您又发现部分特征影响可以忽略。您意识到只用少量精心挑选且影响力大的特征也能获得准确预测，并据此更新了训练集和测试集，创建了变量 features_train_selected 和 features_test_selected。

基于这些信息，您现在将开发用于预测员工流失的最佳模型，并用合适的评估指标进行评估。

features_train_selected 和 features_test_selected 变量已在您的工作区中可用，函数 recall_score 和 roc_auc_score 也已为您导入。

本练习是课程的一部分

HR Analytics：用 Python 预测员工流失

查看课程

练习说明

使用描述中提供的参数初始化最佳模型。
仅用训练集中筛选后的特征来拟合模型。
基于测试集中筛选后的特征进行预测。
打印模型的准确率、召回率和 ROC/AUC 分数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Initialize the best model using parameters provided in description
model_best = DecisionTreeClassifier(____=____, ____=____, ____=____, random_state=42)

# Fit the model using only selected features from training set: done
model_best.fit(____, target_train)

# Make prediction based on selected list of features from test set
prediction_best = model_best.____(____)

# Print the general accuracy of the model_best
print(____.score(features_test_selected, target_test) * 100)

# Print the recall score of the model predictions
print(____(target_test, prediction_best) * 100)

# Print the ROC/AUC score of the model predictions
print(roc_auc_score(target_test, ____) * 100)

编辑并运行代码