Ein erster Versuch mit mlxtend

Es ist Zeit, mit mlxtend zu arbeiten! Du verwendest weiterhin den Datensatz mit App-Bewertungen. Da du bereits ein gestapeltes Ensemblemodell mit scikit-learn gebaut hast, hast du eine Grundlage zum Vergleich mit dem Modell, das du jetzt mit mlxtend erstellst.

Der Datensatz ist geladen und als apps verfügbar.

Schauen wir, ob mlxtend ein Modell bauen kann, das genauso gut ist wie oder sogar besser als der Ensemble-Classifier aus scikit-learn.

Diese Übung ist Teil des Kurses

Ensemble-Methoden in Python

Kurs anzeigen

Anleitung zur Übung

Instanziiere einen Entscheidungsbaum-Classifier mit min_samples_leaf = 3 und min_samples_split = 9.
Instanziiere einen 5-Nearest-Neighbors-Classifier mit dem Algorithmus 'ball_tree'.
Baue einen StackingClassifier und übergib: die Liste der Classifier, den Meta-Classifier, use_probas=True (zur Nutzung von Wahrscheinlichkeiten) und use_features_in_secondary = False (um nur die einzelnen Vorhersagen zu verwenden).
Bewerte die Performance, indem du den Accuracy-Score berechnest.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))

Code bearbeiten und ausführen