Rückblick: Einen Baum optimieren

Teil des Abschnitts Überwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 36 von 58.

Aufgabe

Mittel

Die Sensoren eines Rösters erfassen 6 Werte pro Kaffeepartie; 1 bedeutet, dass sie zum Abfüllen bereit ist. Wähle die Baumtiefe auf ehrliche Weise.

Teile 20% zum Testen ab, dann 25% des Rests zur Validierung (random_state=0).
Trainiere für Tiefen von 1 bis 10 einen Baum (random_state=0) mit den Trainingszeilen; zeichne dessen Trainings- und Validierungsgenauigkeit mit marker="o" auf und beschrifte sie mit training und validation.
Gib die beste Tiefe aus, dann deren Testgenauigkeit.
Markiere diese Tiefe mit einer gestrichelten Linie und den Testwert mit einem roten Stern; füge eine Legende hinzu.

Ein anderer Röster gibt Folgendes aus:

Best depth: 5 (validation accuracy 0.887)
Test accuracy: 0.750

und zeichnet dies. Coddy beschreibt dann dein Diagramm.

Kaffeepartien: Eine Tiefe auswählen. Die Trainingslinie steigt von 0.69 auf fast 1.0; die Validierungslinie erreicht bei Tiefe 5 mit 0.89 ihren Höchstwert und fällt dann auf 0.78. Bei Tiefe 5 verläuft eine gestrichelte Linie, auf der sich bei 0.75, dem Testwert, ein roter Stern befindet

Probier es selbst

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# make_classification erzeugt realistische Datensätze zum Üben: hier 400 Kaffeeröstchargen,
# jeweils mit 6 Messwerten von Röstereisensoren, Label 1, wenn die Charge zum Verpacken bereit ist
X, y = make_classification(n_samples=400, n_features=6, n_informative=3, n_redundant=1,
                           flip_y=0.1, random_state=79)

fig, ax = plt.subplots()
ax.set_title("Coffee Batches: Choosing a Depth")
ax.set_xlabel("Tree depth")
ax.set_ylabel("Accuracy")

# Schreibe deinen Code unten