Baue dein erstes Ensemble

Jetzt baust du dein erstes Ensemble-Modell! Der Pokémon-Datensatz aus der vorherigen Übung wurde geladen und in Trainings- und Testdaten aufgeteilt.

Deine Aufgabe ist es, die Voting-Ensemble-Technik mit der sklearn-API zu nutzen. Du instanziierst die einzelnen Modelle und übergibst sie als Parameter, um deinen ersten Voting Classifier zu erstellen.

Diese Übung ist Teil des Kurses

Ensemble-Methoden in Python

Kurs anzeigen

Anleitung zur Übung

Instanziiere einen KNeighborsClassifier namens clf_knn mit 5 Nachbarn (angegeben über n_neighbors).
Instanziiere eine "balanced" LogisticRegression namens clf_lr (angegeben über class_weight).
Instanziiere einen DecisionTreeClassifier namens clf_dt mit min_samples_leaf = 3 und min_samples_split = 9.
Baue einen VotingClassifier und verwende den Parameter estimators, um folgende Liste von (str, estimator)-Tupeln anzugeben: 'knn', clf_knn, 'lr', clf_lr und 'dt', clf_dt.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)

Code bearbeiten und ausführen