I denna utmaning kommer du att använda **Titanic-datasetet**, som innehåller information om passagerare på Titanic, inklusive deras ålder, kön, familjestorlek och mer. Målet är att förutsäga om en passagerare överlevde eller inte.

import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/titanic.csv') 
print(df.head())

För att implementera Decision Tree kan du använda `DecisionTreeClassifier` från `sklearn`:

### Konstruktor:
* `DecisionTreeClassifier(max_depth=None, min_samples_leaf=1)`
* `max_depth` — maximal trädjup. Standardvärde är None;
* `min_samples_leaf` — minsta antal instanser i ett bladnod. Standardvärde är 1;

### Metoder:
* `fit(X, y)` — Anpassa träningsdata;
* `predict(X)` — Förutsäg klass för X;
* `score(X, y)` — Returnerar noggrannheten för X, y-datasetet;

### Attribut:
* `feature_importances_` — Funktionernas betydelse;
* `feature_names_in_` — Funktionsnamn som setts under .fit().

Din uppgift är att bygga ett beslutsträd och hitta de bästa värdena för `max_depth` och `min_samples_leaf` med hjälp av grid search.

import unittest
import importlib


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):
    def test_param_grid_is_declared(self):
        import user_code

        _dynamic_test(
            self,
            hasattr(user_code, 'param_grid'),
            "The `param_grid` variable is declared.",
            "Expected `param_grid` to be declared."
        )

    def test_param_grid_is_correct(self):
        import user_code
        expected_value = {'max_depth': [1, 2, 3, 4, 5, 6, 7], 'min_samples_leaf': [1, 2, 4, 6]}

        variable = 'param_grid'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, dict):
            condition = actual_value == expected_value
            failure_message = f"Expected `{variable}` to contain `{expected_value}`, but got `{actual_value}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `dict`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct values.",
            failure_message
        )

    def test_grid_cv_is_declared(self):
        import user_code

        variable = 'grid_cv'
        _dynamic_test(
            self,
            hasattr(user_code, variable),
            f"The `{variable}` variable is declared.",
            f"Expected `{variable}` to be declared."
        )

    def test_grid_cv_is_correct(self):
        import user_code
        from sklearn.model_selection import GridSearchCV
        from sklearn.tree import DecisionTreeClassifier

        param_grid = {'max_depth': [1, 2, 3, 4, 5, 6, 7], 'min_samples_leaf': [1, 2, 4, 6]}

        variable = 'grid_cv'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, GridSearchCV):
            condition = isinstance(actual_value.estimator,
                                   DecisionTreeClassifier) and actual_value.param_grid == param_grid and actual_value.cv is 10
            failure_message = f"Expected `{variable}` to be a `GridSearchCV` with `estimator=DecisionTreeClassifier()`, `param_grid={param_grid}`, and `cv=10`, but got `estimator={actual_value.estimator}`, `param_grid={actual_value.param_grid}`, and `cv={actual_value.cv}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `GridSearchCV`."

        _dynamic_test(
            self,
            condition,
            "`grid_cv` is a `GridSearchCV` with `estimator=lr`, `param_grid=param_grid`, and `cv=None`.",
            failure_message
        )

    def test_best_score_is_correct(self):
        import user_code
        expected_value = 0.8316978776529339

        variable = 'best_score'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, float):
            condition = actual_value == expected_value
            failure_message = f"Expected `{variable}` to contain `{expected_value}`, but got `{actual_value}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `float`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` is correct.",
            failure_message
        )


if __name__ == '__main__':
    unittest.main()

test_main.py

Behärska de grundläggande algoritmerna inom övervakad inlärning och implementera dem med Scikit-learn. Utforska linjär och polynomregression för prisprognoser och gå vidare till klassificering med k-NN, logistisk regression och beslutsträd. Lär dig att utvärdera modeller genom korsvalidering, hantera överanpassning med regularisering och optimera hyperparametrar. Bygg robusta prediktiva system och definiera komplexa beslutsgränser för flervalsklassificeringsuppgifter.

Utmaning: Implementering av ett Beslutsträd

Konstruktor:

Metoder:

Attribut:

Utmaning: Implementering av ett Beslutsträd

Konstruktor:

Metoder:

Attribut:

Lösning