Soft vs. hard voting

Teď máš za sebou praxi se dvěma typy ensemble metod: Voting a Averaging (soft voting). Která z nich je lepší? Nejlepší je vyzkoušet obě a porovnat jejich výkon. Pojďme to udělat na datasetu ze Hry o trůny.

Tři individuální klasifikátory už jsou pro tebe připravené:

DecisionTreeClassifier (clf_dt).
LogisticRegression (clf_lr).
KNeighborsClassifier (clf_knn).

Tvým úkolem je vyzkoušet voting i averaging a zjistit, který přístup funguje lépe.

Toto cvičení je součástí kurzu

Ensemble Methods in Python

Zobrazit kurz

Pokyny k cvičení

Připrav seznam dvojic (string, estimator). Jako označení pro clf_dt použij 'dt', pro clf_lr použij 'lr' a pro clf_knn použij 'knn'.
Sestav voting klasifikátor s názvem clf_vote.
Sestav averaging klasifikátor s názvem clf_avg.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# List of (string, estimator) tuples
estimators = ____

# Build and fit a voting classifier
clf_vote = ____
clf_vote.fit(X_train, y_train)

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate the performance of both models
acc_vote = accuracy_score(y_test, clf_vote.predict(X_test))
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Voting: {:.2f}, Averaging: {:.2f}'.format(acc_vote, acc_avg))

Upravit a spustit kód