Bagging: the scikit-learn way
Wenden wir jetzt den BaggingClassifier von scikit-learn auf den Pokémon-Datensatz an.
Mit deinem eigenen Bagging-Ensemble hast du einen F1-Score von etwa 0.63 erzielt.
Wird BaggingClassifier() das toppen? Finden wir's heraus!
Diese Übung ist Teil des Kurses
Ensemble-Methoden in Python
Anleitung zur Übung
- Instanziiere das Basismodell
clf_dt: einen „eingeschränkten“ Entscheidungsbaum mit einer maximalen Tiefe von 4. - Baue einen Bagging-Classifier mit dem Entscheidungsbaum als Basisschätzer und verwende 21 Schätzer.
- Sage die Labels des Testsets voraus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))