from sklearn.tree import DecisionTreeClassifier, export_text
from sklearn.ensemble import RandomForestClassifier
from sklearn.inspection import permutation_importance
strom = DecisionTreeClassifier(max_depth=4, min_samples_leaf=5,
random_state=0).fit(X, y)
print(export_text(strom, feature_names=nazvy))
les = RandomForestClassifier(n_estimators=300, max_features="sqrt",
oob_score=True, n_jobs=-1,
random_state=0).fit(X, y)
les.oob_score_ # odhad bez testovací sady
les.feature_importances_ # rychlé, ale zkreslené
permutation_importance(les, X_te, y_te, random_state=0)
# gini = 1 - Σ p², řez = nejnižší vážený průměr nečistotyTahák · Python · Strojové učení
Rozhodovací stromy a náhodné lesy
Model z otázek typu ano, nebo ne. Postavíš strom v NumPy, uvidíš, proč se přeučuje, a spojíš stovky stromů do náhodného lesa.