JuniorТеорияЧасто

Что выведет эта программа?

Python

from sklearn.tree import DecisionTreeClassifier

X = [[1], [2], [3], [4], [5], [6]]
y = [0, 0, 1, 0, 1, 1]
deep = DecisionTreeClassifier(random_state=0).fit(X, y)
stump = DecisionTreeClassifier(max_depth=1, random_state=0).fit(X, y)
print(deep.score(X, y), round(stump.score(X, y), 2))

1.0 0.83

Ждать, что дерево без ограничений ошибётся на одиночном 0 при x = 4: без max_depth оно делит данные, пока все листья не станут чистыми, и на обучении получает 1.0.
Ждать, что при max_depth=1 разбиения не будет: глубина 1 — это один вопрос и два листа, они верно относят 5 объектов из 6, поэтому результат — 0.83.

Какое из двух деревьев, по-вашему, лучше справится с новыми данными и почему?
Чем ограничение min_samples_leaf отличается от ограничения max_depth?

Назад к вопросам Открыть тему в роадмапе →Ответь сам — Quiz

Назад к вопросам

JuniorТеорияЧасто

Что выведет эта программа?

Python

from sklearn.tree import DecisionTreeClassifier

X = [[1], [2], [3], [4], [5], [6]]
y = [0, 0, 1, 0, 1, 1]
deep = DecisionTreeClassifier(random_state=0).fit(X, y)
stump = DecisionTreeClassifier(max_depth=1, random_state=0).fit(X, y)
print(deep.score(X, y), round(stump.score(X, y), 2))

1.0 0.83

Ждать, что дерево без ограничений ошибётся на одиночном 0 при x = 4: без max_depth оно делит данные, пока все листья не станут чистыми, и на обучении получает 1.0.
Ждать, что при max_depth=1 разбиения не будет: глубина 1 — это один вопрос и два листа, они верно относят 5 объектов из 6, поэтому результат — 0.83.

Какое из двух деревьев, по-вашему, лучше справится с новыми данными и почему?
Чем ограничение min_samples_leaf отличается от ограничения max_depth?

Назад к вопросам Открыть тему в роадмапе →Ответь сам — Quiz