识别最优树深度

现在，您将调优决策树的 max_depth 参数，找出既能降低过拟合又能保持良好模型指标的取值。您将通过 for 循环遍历多个 max_depth 取值，为每个取值拟合一棵决策树，然后计算性能指标。

我们已为您加载了包含候选参数的列表 depth_list。数组 depth_tuning 也已为您构建，包含 2 列：第一列已填入深度候选值，第二列为召回率的占位符。此外，特征和目标变量已分别作为训练数据 train_X、train_Y，以及测试数据 test_X、test_Y 供您使用。numpy 与 pandas 库分别以 np 与 pd 的名称加载。

本练习是课程的一部分

Python 营销中的机器学习

查看课程

练习说明

对列表 depth_list 的长度范围，从 0 到该长度，运行一个 for 循环。
针对每个深度候选值，初始化并拟合一个决策树分类器，并在测试数据上预测流失。
针对每个深度候选值，使用 recall_score() 函数计算召回率，并将其存入 depth_tunning 的第二列。
使用合适的列名，将 depth_tuning 转换为一个 pandas DataFrame。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Run a for loop over the range of depth list length
for index in ___(0, len(depth_list)):
  # Initialize and fit decision tree with the `max_depth` candidate
  mytree = DecisionTreeClassifier(___=depth_list[index])
  mytree.fit(___, train_Y)
  # Predict churn on the testing data
  pred_test_Y = mytree.predict(___)
  # Calculate the recall score 
  depth_tuning[index,1] = ___(test_Y, ___)

# Name the columns and print the array as pandas DataFrame
col_names = ['Max_Depth','Recall']
print(pd.DataFrame(depth_tuning, columns=___))

编辑并运行代码