Rückblick: Kreditentscheidungen

Teil des Abschnitts Überwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 31 von 58.

Aufgabe

Mittel

Erinnerst du dich an den Farmkredit, den dieses Kapitel versprochen hat? Ein Mikrokreditfonds möchte einen Baum, den er den Landwirten erklären kann. Das Startgerüst teilt seine früheren Kredite auf.

Erstelle Bäume ab Tiefe 1 (random_state=0) und gib die jeweilige Testgenauigkeit aus. Stoppe bei der ersten Tiefe, die nicht besser ist als die vorherige.
Behalte die letzte Tiefe, die eine Verbesserung brachte: Gib sie und die Fragen dieses Baums aus.
Gib die zwei wichtigsten Merkmale aus, wie unten gezeigt.

Für einen anderen Fonds:

Depth 1: test accuracy 0.650
Depth 2: test accuracy 0.850
Depth 3: test accuracy 0.833
Keep depth 2
|--- savings_usd <= 154.50
|   |--- earlier_loans <= 0.50
|   |   |--- class: 0
|   |--- earlier_loans >  0.50
|   |   |--- class: 1
|--- savings_usd >  154.50
|   |--- earlier_loans <= 0.50
|   |   |--- class: 1
|   |--- earlier_loans >  0.50
|   |   |--- class: 1

Most important: savings_usd (0.563)
Next: earlier_loans (0.437)

Probier es selbst

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_text

# Frühere Mikrokredite an kleine landwirtschaftliche Betriebe: 1 in repaid bedeutet, dass der Kredit vollständig zurückgezahlt wurde
loans = pd.read_csv("loans.csv")
features = ["amount_usd", "income_usd", "years_farming", "earlier_loans", "savings_usd", "group_size"]
X_train, X_test, y_train, y_test = train_test_split(loans[features], loans["repaid"], test_size=0.25, random_state=0)

# Schreibe deinen Code unten