Sınıflandırma
- Makine Öğrenmesi kursu
- Başlangıç
- Ders 56/112
- 5 dk
Karar ağacı, yaprak düğümlerde çoğunluk sınıfı belirler.
Ağaçla sınıflandırma
Yeni bir örnek kökten başlayıp sorulara göre sağa ya da sola giderek bir yaprağa ulaşır. Tahmin, o yapraktaki eğitim örneklerinin çoğunluk sınıfıdır; predict_proba ise yapraktaki sınıf oranlarıdır.
m = DecisionTreeClassifier(max_depth=2, random_state=0).fit(X, y)
print(m.predict(X[:3]))
print(m.predict_proba(X[100:101]))Derinliği sınırlı ağaçlarda yapraklar karışık olabilir; olasılıklar bunu yansıtır.
Özellik önemleri
feature_importances_, her özelliğin bölmelerde safsızlığı ne kadar azalttığını gösterir; toplamı 1'dir:
from sklearn.datasets import load_iris
d = load_iris()
m = DecisionTreeClassifier(random_state=0).fit(d.data, d.target)
for ad, o in zip(d.feature_names, m.feature_importances_):
print(f"{ad}: {o:.2f}")Iris'te taç yaprak (petal) ölçüleri neredeyse tüm önemi taşır; çanak yaprak (sepal) ölçüleri az katkı verir.
Uygulama En önemli özellik
Iris'te DecisionTreeClassifier(random_state=0) eğit. En önemli özelliğin indeksini argmax ile bulup yazdır, ardından önemlerin toplamını round(..., 3) ile yazdır.
Başlangıç kodu
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
X, y = load_iris(return_X_y=True)
# buraya yazÖrnek çözüm
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
X, y = load_iris(return_X_y=True)
m = DecisionTreeClassifier(random_state=0).fit(X, y)
print(m.feature_importances_.argmax())
print(round(m.feature_importances_.sum(), 3))Beklenen çıktı
3 1.0
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 Bir yaprakta 8 A ve 2 B örneği varsa o yaprağa düşen örnek için <code>predict_proba</code> nedir?
- [1.0, 0.0]
- [0.5, 0.5]
- [8, 2]
- [0.8, 0.2] Doğru cevap
Açıklama: Olasılık, yapraktaki sınıf oranlarıdır: 8/10 ve 2/10.
2 Özellik önemlerini oku.
onem = m.____onem = m.feature_importances_Açıklama: Ağaç tabanlı modellerde önemler feature_importances_ özniteliğindedir.
3 Çıktıları eşleştir.
| Kavram | Anlamı |
|---|---|
predict |
Yaprağın çoğunluk sınıfı |
predict_proba |
Yapraktaki oranlar |
feature_importances_ |
Özellik katkıları |
get_n_leaves() |
Yaprak sayısı |