ExtraTreesClassifier

A classe ExtraTreesClassifier faz parte do módulo sklearn.ensemble da biblioteca scikit-learn e é usada para construir modelos de classificação com base no algoritmo “Extremely Randomized Trees” (Extra Trees). O Extra Trees é uma extensão do algoritmo Random Forest e cria árvores de decisão altamente aleatórias para resolver problemas de classificação. Aqui está uma explicação detalhada sobre a classe ExtraTreesClassifier:

Sintaxe §

from sklearn.ensemble import ExtraTreesClassifier
 
selection = ExtraTreesClassifier()

Principais parâmetros §

• n_estimators: Este parâmetro define o número de árvores no conjunto. Quanto mais árvores, mais robusto e preciso o modelo, mas também mais demorado será o treinamento. Um valor típico é 100.

• criterion: Define a função para medir a qualidade de uma divisão em cada nó da árvore. As opções comuns são “gini” para o critério de Gini e “entropy” para o critério de entropia.

• max_depth: Controla a profundidade máxima das árvores. Limitar a profundidade pode ser útil para evitar over fitting.

• min_samples_split: Define o número mínimo de amostras necessárias para dividir um nó interno. Isso pode ajudar a controlar a complexidade das árvores.

• min_samples_leaf: Define o número mínimo de amostras em uma folha. Isso pode ser usado para evitar folhas com muito poucas amostras.

Principais métodos §

• fit(X, y): Este método é usado para treinar o modelo ExtraTreesClassifier com os dados de treinamento X e os rótulos de classe correspondentes y.

• predict(X): Após o treinamento, você pode usar este método para fazer previsões de classe para um conjunto de dados de entrada X.

• predict_proba(X): Este método retorna as probabilidades estimadas para cada classe em vez de apenas as classes previstas. É útil quando você precisa de estimativas de probabilidade.

• feature_importances_: Este atributo contém as pontuações de importância atribuídas a cada recurso após o treinamento. Essas pontuações indicam a contribuição de cada recurso para a classificação.

Exemplo §

from sklearn.ensemble import ExtraTreesClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
 
# Carregando o conjunto de dados Iris como exemplo
data = load_iris()
X, y = data.data, data.target
 
# Dividindo o conjunto de dados em treinamento e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
# Criando e treinando o modelo ExtraTreesClassifier
model = ExtraTreesClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
 
# Fazendo previsões
y_pred = model.predict(X_test)
 
# Avaliando a precisão do modelo
accuracy = accuracy_score(y_test, y_pred)
print(f'Acurácia do modelo: {accuracy:.2f}')

Este exemplo cria um modelo ExtraTreesClassifier, treina-o no conjunto de dados Iris e faz previsões de classe. A pontuação de importância dos recursos também pode ser acessada através do atributo feature_importances_.