Skip to content

12. Árvore de Decisão Visual (Classificação Aprovação/Reprovação)

Antes de visualizar a árvore, criamos uma variável de classificação para aprovação/reprovação: 

X_visu = df.drop(['math score', 'reading score', 'writing score'], axis=1)
y_visu = (df['math score'] >= 60).astype(int)  # 1 = aprovado, 0 = reprovado

Esta árvore foi gerada para maximizar a clareza e a interpretação dos critérios de decisão, utilizando os melhores hiperparâmetros encontrados na otimização. Para facilitar a visualização dos nós inferiores, a profundidade foi limitada e a árvore foi exportada em formato PNG.

# Árvore de decisão visual otimizada para tomada de decisão
from sklearn import tree
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('Agg')
import os
from IPython.display import Image, display
os.makedirs('docs/arvore_decisao/imagens', exist_ok=True)

clf_otimizada = DecisionTreeClassifier(
    max_depth=3,
    min_samples_split=best_tree.get_params().get('min_samples_split', 2),
    min_samples_leaf=best_tree.get_params().get('min_samples_leaf', 1),
    max_features=best_tree.get_params().get('max_features', None),
    random_state=42
)
clf_otimizada.fit(X_visu, y_visu)

fig = plt.figure(figsize=(18, 12), dpi=120)
tree.plot_tree(
    clf_otimizada,
    feature_names=X_visu.columns,
    class_names=['Reprovado', 'Aprovado'],
    filled=True,
    rounded=True,
    fontsize=14
)
plt.title('Árvore de Decisão Visual Otimizada para Tomada de Decisão (max_depth=3)', fontsize=20)
plt.savefig('imagens/arvore_decisao_visual_otimizada.png')
plt.close(fig)

print('Imagem PNG salva como imagens/arvore_decisao_visual_otimizada.png')
display(Image(filename='imagens/arvore_decisao_visual_otimizada.png'))

A imagem abaixo mostra a árvore de decisão otimizada, ideal para apoiar decisões e interpretar os critérios utilizados pelo modelo. Árvore de decisão visual otimizada