Riepilogo: ottimizzare un albero

Fa parte della sezione Apprendimento supervisionato del percorso Machine Learning di Coddy. Lezione 36 di 58.

Sfida

Medio

I sensori di una torrefazione rilevano 6 valori per lotto di caffè; 1 significa pronto per essere insacchettato. Scegli onestamente la profondità dell’albero.

Metti da parte il 20% per il test, poi il 25% del resto per la convalida (random_state=0).
Per profondità da 1 a 10, addestra un albero (random_state=0) sulle righe di addestramento; traccia la sua accuratezza di addestramento e di convalida, marker="o", con le etichette training e validation.
Stampa la profondità migliore, poi la sua accuratezza sul test.
Indica quella profondità con una linea tratteggiata e il punteggio del test con una stella rossa; aggiungi una legenda.

Un’altra torrefazione stampa:

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

e disegna questo. Coddy descrive poi il tuo grafico.

Lotti di caffè: scelta della profondità. La linea di addestramento sale da 0.69 a quasi 1.0; la linea di convalida raggiunge il picco di 0.89 alla profondità 5, poi scende a 0.78. Una linea tratteggiata si trova alla profondità 5, con una stella rossa su di essa a 0.75, il punteggio del test

Provalo tu

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 genera righe realistiche per fare pratica: qui 400 lotti di caffè,
# con 6 letture dei sensori della tostatrice ciascuno, etichetta 1 quando il lotto è pronto per essere confezionato
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")

# Scrivi il tuo codice qui sotto