Lire un arbre

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 28 sur 58.

Les questions d’un arbre sont lisibles, vous pouvez donc vérifier ce qu’il a appris. Suivez une fleur de 5.1 cm de long et de 1.6 cm de large dans l’arbre d’iris :

L’arbre d’iris représenté sous forme de cases, avec un chemin éclairé en orange : largeur du pétale de 0.80 ou moins ? Non, 1.6. Longueur du pétale de 4.95 ou moins ? Non, 5.1. Le chemin aboutit à la classe 2

export_text affiche les mêmes questions sous forme de texte, avec une indentation par niveau :

from sklearn.tree import export_text

print(export_text(tree, feature_names=["petal_length", "petal_width"]))

Cela affiche :

|--- petal_width <= 0.80
|   |--- class: 0
|--- petal_width >  0.80
|   |--- petal_length <= 4.95
|   |   |--- class: 1
|   |--- petal_length >  4.95
|   |   |--- class: 2

Chaque ligne répond uniquement aux questions sur son propre chemin. La classe 2 correspond à virginica, une réponse sensée pour des pétales longs et larges.

Défi

Moyen

L’arbre d’une fromagerie classe un fromage comme frais, à pâte molle ou à pâte dure, en fonction de sa teneur en eau et de ses semaines d’affinage. Le code de départ l’entraîne et évalue un nouveau fromage.

Affiche les questions de l’arbre avec les noms des caractéristiques.
Exécute-le, lis les questions et complète by_hand pour qu’il pose les mêmes questions avec if/else et renvoie la même réponse.

Après l’affichage, pour un fromage que l’arbre classe comme à pâte molle :

By hand: soft
The tree: soft

Essayez vous-même

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

# Une ligne par fromage : teneur en eau (%), semaines d’affinage et type de fromage
cheeses = pd.read_csv("cheeses.csv")
features = ["moisture_pct", "aged_weeks"]
X_train, X_test, y_train, y_test = train_test_split(cheeses[features], cheeses["cheese"], test_size=0.25, random_state=0)
tree = DecisionTreeClassifier(max_depth=2, random_state=0)
tree.fit(X_train, y_train)

# Un nouveau fromage à nommer
moisture = int(input())
aged = int(input())
new_cheese = pd.DataFrame([[moisture, aged]], columns=features)

# Écrivez votre code ci-dessous : affichez l’arbre, puis donnez la même réponse que lui dans by_hand


def by_hand(moisture, aged):
    return "fresh"


# Ne modifiez pas les lignes ci-dessous
print("By hand:", by_hand(moisture, aged))
print("The tree:", tree.predict(new_cheese)[0])