剪枝决策树
过拟合是分析中的经典问题，尤其在决策树算法中更为常见。树一旦完全生长，往往能在训练样本上给出很高的预测准确率，但在测试集上的表现却未必理想。为此，通常会通过以下方式来控制决策树的生长：
- 对树进行"剪枝"，限制其最大深度。
- 限制每个叶节点的最少观测数量。
在本练习中，您将：
- 对树进行剪枝，将最大深度限制为 5 层；
- 将其拟合到员工数据上；
- 在训练集和测试集上测试预测结果。
变量 features_train、target_train、features_test 和 target_test 已在您的工作区中可用。
本练习是课程的一部分
HR Analytics：用 Python 预测员工流失
练习说明
- 初始化
DecisionTreeClassifier，将树的最大深度限制为 5。 - 使用训练集中的
features和target来拟合决策树模型。 - 检查模型在训练集与测试集上的预测准确率。
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 DecisionTreeClassifier while limiting the depth of the tree to 5
model_depth_5 = DecisionTreeClassifier(____=5, random_state=42)
# Fit the model
____.fit(features_train,target_train)
# Print the accuracy of the prediction for the training set
print(____.____(features_train,target_train)*100)
# Print the accuracy of the prediction for the test set
print(model_depth_5.score(____,____)*100)