Revisão: decisões de empréstimo

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 31 de 58.

Desafio

Médio

Você se lembra do empréstimo agrícola prometido neste capítulo? Um fundo de microcrédito quer uma árvore que possa explicar aos agricultores. O código inicial divide seus empréstimos anteriores.

Crie árvores começando pela profundidade 1 (random_state=0), imprimindo a acurácia de teste de cada uma. Pare na primeira profundidade que não seja melhor que a anterior.
Mantenha a última profundidade que melhorou: imprima-a e as perguntas dessa árvore.
Imprima as duas características mais importantes, como abaixo.

Para outro fundo:

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)

Experimente você mesmo

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

# Microcréditos anteriores concedidos a pequenas propriedades rurais: 1 em repaid significa que o empréstimo foi pago integralmente
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)

# Escreva seu código abaixo