Kontrola out-of-bag skóre
Teď se podíváme na out-of-bag skóre modelu z předchozího cvičení.
Doposud jsi k měření výkonu používal/a F1 skóre. V tomto cvičení ale použij skóre přesnosti (accuracy), abys ho mohl/a snadno porovnat s out-of-bag skóre.
Rozhodovací strom z předchozího cvičení, clf_dt, máš k dispozici ve svém pracovním prostoru.
Dataset pokemon je už načtený a rozdělený na trénovací a testovací sadu.
Rozhodovací strom byl navíc natrénován a je ti k dispozici jako clf_dt pro použití jako základní estimátor.
Toto cvičení je součástí kurzu
Ensemble Methods in Python
Pokyny k cvičení
- Sestav bagging klasifikátor s rozhodovacím stromem jako základním estimátorem a 21 estimátory. Tentokrát aktivuj out-of-bag skóre zadáním příslušného argumentu parametru
oob_score. - Vypiš out-of-bag skóre klasifikátoru.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))