Récapitulatif : décisions de prêt

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 31 sur 58.

Défi

Moyen

Tu te souviens du prêt agricole promis dans ce chapitre ? Un fonds de microcrédit veut un arbre qu’il puisse expliquer aux agriculteurs. Le jeu de départ répartit les prêts qu’il a accordés par le passé.

Fais croître des arbres en commençant à la profondeur 1 (random_state=0), en affichant chaque précision de test. Arrête-toi à la première profondeur qui ne fait pas mieux que la précédente.
Garde la dernière profondeur qui a amélioré le résultat : affiche-la ainsi que les questions de cet arbre.
Affiche ses deux caractéristiques les plus importantes, comme ci-dessous.

Pour un autre 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)

Essayez vous-même

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

# Microcrédits antérieurs accordés à de petites exploitations agricoles : 1 dans repaid signifie que le prêt a été intégralement remboursé
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)

# Écrivez votre code ci-dessous