Tekrar: Kredi Kararları

Coddy'nin Machine Learning Journey'sinin Denetimli Öğrenme bölümünün bir parçası. Ders 31 / 58.

Görev

Orta

Bu bölümün sözünü verdiği çiftlik kredisini hatırlıyor musun? Bir mikro kredi fonu, çiftçilere açıklayabileceği bir ağaç istiyor. Başlangıç kodu, geçmiş kredileri böler.

Ağaçları 1 derinliğinden başlayarak büyüt (random_state=0) ve her test doğruluğunu yazdır. Bir önceki derinlikten daha iyi sonuç vermeyen ilk derinlikte dur.
İyileşme sağlayan son derinliği tut: onu ve o ağacın sorularını yazdır.
Aşağıdaki gibi, en önemli iki özelliğini yazdır.

Başka bir fon için:

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)

Kendin dene

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

# Küçük çiftliklere geçmişte verilen mikro krediler: repaid sütunundaki 1, kredinin tamamının geri ödendiği anlamına gelir
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)

# Kodunuzu aşağıya yazın