Podsumowanie: decyzje kredytowe

Część sekcji Uczenie nadzorowane ścieżki Machine Learning w Coddy. Lekcja 31 z 58.

Wyzwanie

Średni

Pamiętasz pożyczkę dla gospodarstwa rolnego, o której była mowa w tym rozdziale? Fundusz mikropożyczek chce drzewo, które będzie mógł wyjaśnić rolnikom. Kod startowy dzieli wcześniejsze pożyczki.

Twórz drzewa, zaczynając od głębokości 1 i zwiększając ją (random_state=0), wypisując dokładność testową dla każdego. Zatrzymaj się przy pierwszej głębokości, która nie daje lepszego wyniku niż poprzednia.
Zachowaj ostatnią głębokość, przy której wynik się poprawił: wypisz ją oraz pytania tego drzewa.
Wypisz dwie najważniejsze cechy, jak poniżej.

Dla innego funduszu:

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)

Spróbuj swoich sił

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

# Wcześniejsze mikropożyczki dla małych gospodarstw rolnych: 1 w repaid oznacza, że pożyczka została spłacona w całości
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)

# Wpisz swój kod poniżej