Vorhersage von GoT-Toden

Während die Zielvariable keine fehlenden Werte hat, enthalten andere Features welche. Da der Fokus des Kurses nicht auf Datenbereinigung und -vorverarbeitung liegt, haben wir die folgende Vorverarbeitung bereits für dich übernommen:

NA-Werte durch 0 ersetzt.
Negative Alterswerte durch 0 ersetzt.
NA-Werte beim Alter durch den Mittelwert ersetzt.

Lass uns jetzt ein Ensemble-Modell mit der Averaging-Technik erstellen. Die folgenden Einzelmodelle wurden gebaut:

Logistic Regression (clf_lr).
Decision Tree (clf_dt).
Support Vector Machine (clf_svm).

Da das Ziel binär ist, könnten all diese Modelle einzeln bereits gut performen. Deine Aufgabe ist es, sie per Averaging zu kombinieren. Erinner dich aus dem Video: Das entspricht dem soft Voting-Ansatz, daher solltest du weiterhin den VotingClassifier() verwenden.

Diese Übung ist Teil des Kurses

Ensemble-Methoden in Python

Kurs anzeigen

Anleitung zur Übung

Richte die Liste der (string, estimator)-Tupel ein. Verwende 'lr' für clf_lr, 'dt' für clf_dt und 'svm' für clf_svm.
Baue einen Averaging-Classifier namens clf_avg. Achte darauf, ein Argument für den Parameter voting anzugeben.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Build the individual models
clf_lr = LogisticRegression(class_weight='balanced')
clf_dt = DecisionTreeClassifier(min_samples_leaf=3, min_samples_split=9, random_state=500)
clf_svm = SVC(probability=True, class_weight='balanced', random_state=500)

# List of (string, estimator) tuples
estimators = ____

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate model performance
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Accuracy: {:.2f}'.format(acc_avg))

Code bearbeiten und ausführen