Exercício 7: Árvore de decisão

Aqui está um exercício simples do Jupyter Notebook para os alunos aprenderem sobre árvores de decisão. Este exercício irá guiá-los através do carregamento de um conjunto de dados, treinamento de um modelo de árvore de decisão e avaliação de seu desempenho.

Exercício: Classificação usando árvore de decisão

Objetivo:Carregar um conjunto de dados. Treine um modelo de árvore de decisão. Avalie o desempenho do modelo.

Pré-requisitos:Instale a biblioteca scikit-learn. Use um conjunto de dados simples como o conjunto de dados Iris.

Passo 1: Instalar as bibliotecas necessárias:

%pip install scikit-learn

Etapa 2: Importar bibliotecas:

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from sklearn import tree

Etapa 3: Carregue o conjunto de dados:

# Load the Iris dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target

Etapa 4: dividir o conjunto de dados:

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

Passo 5: Treinar o Modelo da Árvore de Decisão:

# Initialize and train the decision tree model
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

Passo 6: Faça previsões:

# Make predictions on the test set
y_pred = model.predict(X_test)

Passo 7: Avalie o Modelo:

# Evaluate the model's performance
accuracy = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)
cr = classification_report(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print('Confusion Matrix:')
print(cm)
print('Classification Report:')
print(cr)

Passo 8: Visualize a Árvore de Decisão:

# Visualize the decision tree
plt.figure(figsize=(20,10))
tree.plot_tree(model, filled=True, feature_names=iris.feature_names, class_names=iris.target_names, rounded=True)
plt.show()

Instruções para Estudantes:

1. Siga os passos para instalar as bibliotecas necessárias e carregar o conjunto de dados.

2. Treinar o modelo de árvore de decisão e avaliar o seu desempenho.

3. Modifique o código para usar conjuntos de dados diferentes ou adicione mais recursos ao modelo.

4. Explore o impacto de diferentes hiperparâmetros no desempenho do modelo.