Bagging se scikit-learn
Pojďme teď použít scikit-learn's BaggingClassifier na dataset Pokémon.
S vlastním bagging ensemble jsi dosáhl/a skóre F1 přibližně 0.63.
Dokáže ho BaggingClassifier() překonat? Čas to zjistit!
Toto cvičení je součástí kurzu
Ensemble Methods in Python
Pokyny k cvičení
- Vytvoř základní model
clf_dt: „omezený" rozhodovací strom s maximální hloubkou 4. - Sestav bagging klasifikátor s tímto rozhodovacím stromem jako základním estimátorem a použij 21 estimátorů.
- Predikuj štítky testovací sady.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))