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.

Toto cvičení je součástí kurzu

Ensemble Methods in Python

Zobrazit kurz

Pokyny k cvičení

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.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))

Upravit a spustit kód