1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Ensemble Methods in Python
Connected

cvičení

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.

Pokyny

100 XP
  • 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.