OOB skóre vs. skóre na testovací sadě

Teď, když máš bc vytvořený, natrénuješ ho na trénovací sadě a vyhodnotíš jeho přesnost na testovací sadě i OOB přesnost.

Dataset je za tebe připravený a rozdělený na 80 % trénovací a 20 % testovací data. Matice příznaků X_train a X_test a pole štítků y_train a y_test jsou k dispozici ve tvém pracovním prostředí. Navíc jsou načtené i klasifikátor bc vytvořený v předchozím cvičení a funkce accuracy_score() z sklearn.metrics.

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in Python

Zobrazit kurz

Pokyny k cvičení

Natrénuj bc na trénovací sadě, predikuj štítky testovací sady a výsledky ulož do y_pred.
Vyhodnoť přesnost na testovací sadě acc_test pomocí funkce accuracy_score.
Vyhodnoť OOB přesnost acc_oob klasifikátoru bc tak, že z něj načteš atribut oob_score_.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit bc to the training set 
____.____(____, ____)

# Predict test set labels
y_pred = ____.____(____)

# Evaluate test set accuracy
acc_test = ____(____, ____)

# Evaluate OOB accuracy
acc_oob = ____.____

# Print acc_test and acc_oob
print('Test set accuracy: {:.3f}, OOB accuracy: {:.3f}'.format(acc_test, acc_oob))

Upravit a spustit kód