Ladění hyperparametrů baggingu

Bagging klasifikátor sice snadno sestavíš s výchozími parametry, ale pro dosažení optimálního výkonu se důrazně doporučuje jejich ladění. V ideálním případě by měly být optimalizovány pomocí K-fold křížové validace.

V tomto cvičení se podíváme, jestli lze výkon modelu zlepšit úpravou parametrů bagging klasifikátoru.

Do LogisticRegression zde také předáváme parametr solver='liblinear', který zkracuje dobu výpočtu.

Toto cvičení je součástí kurzu

Ensemble Methods in Python

Zobrazit kurz

Pokyny k cvičení

Sestavte bagging klasifikátor, který jako základ používá logistickou regresi, s 20 základními estimátory, 10 maximálními příznaky, 0.65 (65 %) maximálních vzorků (max_samples) a vzorkováním bez náhrady.
Pomocí clf_bag předpověz štítky testovací sady X_test.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Build a balanced logistic regression
clf_base = LogisticRegression(class_weight='balanced', solver='liblinear', random_state=42)

# Build and fit a bagging classifier with custom parameters
clf_bag = ____(____, ____, ____, ____, ____, random_state=500)
clf_bag.fit(X_train, y_train)

# Calculate predictions and evaluate the accuracy on the test set
y_pred = ____
print('Accuracy:  {:.2f}'.format(accuracy_score(y_test, y_pred)))

# Print the classification report
print(classification_report(y_test, y_pred))

Upravit a spustit kód