用决策树预测流失

现在，您将基于之前练习中掌握的技能，构建一个更复杂的决策树，添加更多参数来预测客户流失。下一章您会更深入地研究流失预测问题。在这里，您将再次在训练数据上运行决策树分类器，在未见过的（测试）数据上预测流失率，并在两个数据集上评估模型的准确率。

sklearn 库中的 tree 模块，以及 sklearn.metrics 中的 accuracy_score 函数都已为您导入。特征和目标变量也已作为训练数据 train_X、train_Y，以及测试数据 test_X、test_Y 提供。

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

初始化一个最大深度为 7、使用 gini 准则的决策树。
将模型拟合到训练数据。
在测试数据集上进行预测。
分别打印训练集和测试集的准确率。

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 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))

编辑并运行代码