Implementando um modelo

 Estamos de volta ao Colab e agora vamos começar importando as bibliotecas que iremos utilizar para poder criar nosso modelo.

Começamos importando o pacote Tree da biblioteca SKLearn.from sklearn tree import DecisionTreeClassifier COPIAR CÓDIGO

Vamos rodar e ok. Após importarmos essas funções, importarmos o nosso modelo, precisamos criar o modelo de fato, instanciar esse modelo.

Novamente, criamos uma variável para armazenar este modelo, eu vou criar o dtc =, chamamos a DecisionTreeClassifier, abre e fecha parênteses. Como vocês puderam ver nas aulas anteriores, a árvore de decisão possui diversos parâmetros, parâmetros de crescimento, parâmetros de critério de divisão, temos também a questão do random state, de possibilitar a reprodutibilidade dos resultados.

Aqui, eu escolhi mostrar para você apenas o critério e o random state, porque o que eu rodar aqui você vai conseguir rodar aí e ter o mesmo resultado. Vamos definir o critério, dtc = DecisionTreeClassifier(criterion ='entropy', eu escolhi entropy, vamos como funciona e se adequa ao nosso modelo.

 Lembrando, que quando estamos trabalhando com a árvore de decisão e qualquer outro modelo, o ideal é nós tentarmos e avaliarmos diferentes parâmetros para este modelo e ver aquele que obtém o melhor resultado, a melhor classificação.

Vamos definir vírgula random_state=42, que esse é o nosso estado de aleatoriedade para poder reproduzir os resultados. Rodamos a célula e o modelo foi criado e instanciado e podemos partir para o treino.dtc = DecisionTreeClassifier(criterion='entropy', random_state=42) COPIAR CÓDIGO


dtc.fit e chamamos nossos conjuntos de treino dtc.fit(x_treino, y_treino). O modelo está treinado.

Algo muito interessante que temos, uma função muito interessante que tem na pasta, no pacote da Decision Tree, é a função de verificar a importância da features, a importância dos atributos nesse modelo, na árvore.

 Eu trouxe para mostrar a vocês, claro que depois você pode pesquisar, olhe com calma, mas é muito interessante verificar. dtc.feature_importances_, vamos rodar. Como você ver e relembrar que quanto menor o valor mais homogêneo é, de acordo com a entropia, maior ganho de informação.

Vamos olhar aqui. Temos a primeira variável que é a questão de ser maior de 65 anos ou não e assim por diante. Temos aqui 0.021, tem 0.01, 0.006, dá para ver as diferenças. Têm valores de atributos mais importantes do que outros para classificar os nossos clientes.

Agora vamos aplicar no teste para realmente ver a eficácia do nosso modelo. Vamos criar a variável para armazenar esse resultado: predito_ArvoreDecisao = dtc.predict(x_teste). Pronto, funcionou, modelo testado. Vamos ver os resultados, predito_ArvoreDecisao e aqui está um pequeno trecho do nosso resultado do nosso Churn.

Agora, vamos verificar como escolher o nosso melhor modelo a apresentar para a equipe de vendas.