Den Out-of-Bag-Score prüfen

Lass uns jetzt den Out-of-Bag-Score für das Modell aus der vorherigen Übung prüfen.

Bisher hast du die Performance mit dem F1-Score gemessen. In dieser Übung sollst du jedoch die Accuracy verwenden, damit du sie leicht mit dem Out-of-Bag-Score vergleichen kannst.

Der Decision-Tree-Classifier aus der vorherigen Übung, clf_dt, steht dir in deinem Workspace zur Verfügung.

Der pokemon-Datensatz ist bereits für dich geladen und in Trainings- und Testmenge aufgeteilt. Zusätzlich wurde der Decision-Tree-Classifier fitten und steht dir als clf_dt zur Verfügung, damit du ihn als Basis-Schätzer verwenden kannst.

Diese Übung ist Teil des Kurses

Ensemble-Methoden in Python

Kurs anzeigen

Anleitung zur Übung

Baue den Bagging-Classifier mit dem Decision Tree als Basis-Schätzer und 21 Schätzern. Nutze diesmal den Out-of-Bag-Score, indem du ein Argument für den Parameter oob_score angibst.
Gib den Out-of-Bag-Score des Classifiers aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Build and train the bagging classifier
clf_bag = ____(
  ____,
  ____,
  ____,
  random_state=500)
clf_bag.fit(X_train, y_train)

# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))

# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))

Code bearbeiten und ausführen