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

cvičení

První pokus s mlxtend

Čas pustit se do práce s mlxtend! Budeme pokračovat s datasetem hodnocení aplikací. Protože jsi už sestavil/a stacking model pomocí scikit-learn, máš teď základ pro srovnání s modelem, který si postavíš v mlxtend.

Dataset je načtený a dostupný jako apps.

Podíváme se, jestli mlxtend dokáže sestavit model stejně dobrý nebo lepší než ensemble klasifikátor ze scikit-learn.

Pokyny

100 XP
  • Vytvoř klasifikátor rozhodovacího stromu s parametry min_samples_leaf = 3 a min_samples_split = 9.
  • Vytvoř klasifikátor 5 nejbližších sousedů s algoritmem 'ball_tree'.
  • Sestavte StackingClassifier s těmito argumenty: seznam klasifikátorů, meta klasifikátor, use_probas=True (pro použití pravděpodobností) a use_features_in_secondary = False (aby se využívaly pouze individuální předpovědi).
  • Vyhodnoť výkon modelu výpočtem skóre přesnosti.