Stacking pro předpovídání hodnocení aplikací
V tomto cvičení začneš sestavovat svůj první stackingový ensemble. Datová sada, kterou použiješ, je ta samá, se kterou jsme pracovali v 1. kapitole. Cílem je předpovědět hodnocení každé aplikace (od 1 do 5). Vstupní příznaky, které využijeme, jsou: Reviews, Size, Installs, Type, Price a Content Rating.
Krok 1: přípravu datové sady jsme už provedli za tebe. Je dostupná jako apps. Vyčistili jsme potřebné příznaky a chybějící hodnoty jsme nahradili nulami.
Tvým úkolem je krok 2: sestavit estimátory první vrstvy.
Toto cvičení je součástí kurzu
Ensemble Methods in Python
Pokyny k cvičení
- Sestav a natrénuj klasifikátor rozhodovacího stromu s parametry:
min_samples_leaf: 3amin_samples_split: 9. - Sestav a natrénuj klasifikátor 5 nejbližších sousedů s parametrem:
algorithm: 'ball_tree'(pro urychlení výpočtu). - Vyhodnoť výkonnost každého estimátoru pomocí skóre přesnosti na testovací sadě.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))