Многим не нравится, что модели машинного обучения представляют собой чёрные ящики: мы кладём в них данные и безо всяких объяснений получаем ответы — часто очень точные ответы. В этой статье мы постараемся разобраться, как созданная нами модель делает прогнозы и что она может рассказать о решаемой нами задаче. И завершим мы обсуждением самой важной части проекта по машинному обучению: задокументируем сделанное и представим результаты. В первой части мы рассмотрели очистку данных, разведочный анализ, конструирование и выбор признаков...

Рассмотрим пример построения дерева решений и работы модели на примере классификации цветков Ириса: from sklearn.datasets import load_iris iris_df = load_iris(as_frame=True)['frame'] iris_df.head() Обучим классификатор: from sklearn.tree import DecisionTreeClassifier model = DecisionTreeClassifier(random_state=0).fit(iris_df.drop(columns='target'), iris_df.target) features_l = iris_df.drop(columns='target').columns.tolist() Визуализация дерева В модуле sklearn.tree есть функция plot_tree, с которой...