Sestavení stacking klasifikátoru
Teď se pustíš do dalších dvou kroků.
Krok 3: Přidání predikcí do datové sady:
Tuto část interně zpracovává třída StackingClassifier, ale my svůj díl práce odvedeme tak, že připravíme seznam klasifikátorů první vrstvy, které jsi sestavil/a v předchozím cvičení. Jsou dostupné jako: clf_dt a clf_knn.
Krok 4: Sestavení meta estimátoru druhé vrstvy:
K tomuto účelu použiješ výchozí LogisticRegression. Ten jako vstupní příznaky přijme individuální predikce základních estimátorů.
Jakmile máš obě vrstvy estimátorů připravené, můžeš sestavit stacking klasifikátor.
Toto cvičení je součástí kurzu
Ensemble Methods in Python
Pokyny k cvičení
- Připrav seznam dvojic s klasifikátory první vrstvy:
clf_dtaclf_knn(se správnými popisky a ve správném pořadí). - Inicializuj meta estimátor druhé vrstvy:
LogisticRegression. - Sestav stacking klasifikátor a předej mu: seznam dvojic, meta klasifikátor, parametr
stack_method='predict_proba'(pro použití pravděpodobností tříd) apassthrough = False(aby se jako příznaky používaly pouze predikce).
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Prepare the list of tuples with the first-layer classifiers
classifiers = [
____,
____
]
# Instantiate the second-layer meta estimator
clf_meta = ____
# Build the stacking classifier
clf_stack = ____(
____,
____,
____,
____)