cas-pml/SL/aufgaben/template/4_WS/WS 05 Vorlage.ipynb

WS 05 Klassifikation - DecisionTreeClassifier

• untersuchen Sie verschiedene Werte von min_impurity_decrease bei DecisionTreeClassifier auf die erreichbare Performance (Accuracy)
• grenzen Sie dabei den zu untersuchenden Wertebereich schrittweise ein
• stellen Sie dazu die Ergebnisse wie folgt dar
  • grafisch als Liniendiagramm
  • in der Konsole mit bestem Score und entsprechendem Parameterwert
• Hinweis
  • range(): erstellt einen Bereich von Ganzzahligen Werten mit identischer Schrittweite
  • np.arange(): (Funktion von numpy) erstellt mit analoger Parametrisierung einen Bereich mit Gleitkommawerten

In [3]:

## prepare env, read and prepare data
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

sns.set()

codepath = '../2_code'  ## for import of user defined module
datapath = '../3_data'

from sys import path
path.insert(1, codepath)

from os import chdir
chdir(datapath)

from bfh_cas_pml import prep_data

X_train, X_test, y_train, y_test = prep_data('bank_data_prep.csv',
                                                  target='y',
                                                  seed=1234)

In [4]:

from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()

scores = []
params = np.arange(0, 0.1, 0.01)

for param in params:
    print(param)
    ## tbd
    

    

0.0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09