Revisão: ajustando uma árvore

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 36 de 58.

Desafio

Médio

Os sensores de uma torrefadora leem 6 valores por lote de café; 1 significa pronto para embalar. Escolha a profundidade da árvore com honestidade.

Separe 20% para teste e, em seguida, 25% do restante para validação (random_state=0).
Para profundidades de 1 a 10, ajuste uma árvore (random_state=0) usando as linhas de treinamento; plote a acurácia de treinamento e de validação, marker="o", identificadas como training e validation.
Imprima a melhor profundidade e, em seguida, sua acurácia de teste.
Marque essa profundidade com uma linha tracejada e a pontuação de teste com uma estrela vermelha; adicione uma legenda.

Outra torrefadora imprime:

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

e desenha isto. Em seguida, Coddy descreve seu gráfico.

Lotes de café: escolhendo uma profundidade. A linha de treinamento sobe de 0.69 para quase 1.0; a linha de validação atinge o pico de 0.89 na profundidade 5 e, em seguida, cai para 0.78. Uma linha tracejada fica na profundidade 5, com uma estrela vermelha sobre ela em 0.75, a pontuação de teste

Experimente você mesmo

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 gera linhas realistas para praticar: aqui, 400 lotes de café,
# com 6 leituras de sensores da torradora cada, rótulo 1 quando o lote está pronto para ser ensacado
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")

# Escreva seu código abaixo