Récapitulatif : régler un arbre

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 36 sur 58.

Défi

Moyen

Les capteurs d’un torréfacteur relèvent 6 valeurs par lot de café ; 1 signifie qu’il est prêt à être mis en sac. Choisis honnêtement la profondeur de l’arbre.

Réserve 20 % pour les tests, puis 25 % du reste pour la validation (random_state=0).
Pour les profondeurs de 1 à 10, entraîne un arbre (random_state=0) sur les lignes d’entraînement ; trace sa précision sur les données d’entraînement et de validation, avec marker="o", et les étiquettes training et validation.
Affiche la meilleure profondeur, puis sa précision sur les données de test.
Indique cette profondeur par une ligne en pointillés et le score de test par une étoile rouge ; ajoute une légende.

Un autre torréfacteur affiche :

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

et dessine ceci. Coddy décrit ensuite ton graphique.

Lots de café : choisir une profondeur. La ligne d’entraînement monte de 0.69 à presque 1.0 ; la ligne de validation atteint un maximum de 0.89 à la profondeur 5, puis baisse à 0.78. Une ligne en pointillés se trouve à la profondeur 5, avec une étoile rouge à 0.75, le score de test

Essayez vous-même

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 génère des lignes réalistes pour s’entraîner : ici, 400 lots de café,
# avec 6 mesures de capteurs du torréfacteur chacun, étiquette 1 lorsque le lot est prêt à être ensaché
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")

# Écrivez votre code ci-dessous