Den Stacking-Klassifikator erstellen

Jetzt kümmerst du dich um die nächsten zwei Schritte.

Schritt 3: Füge die Vorhersagen dem Datensatz hinzu: das wird intern von der Klasse StackingClassifier übernommen, aber wir übernehmen unseren Teil, indem wir die Liste der Klassifikatoren der ersten Ebene vorbereiten, die du in der vorherigen Übung gebaut hast. Diese sind verfügbar als: clf_dt und clf_knn.

Schritt 4: Baue den Meta-Schätzer der zweiten Ebene: hierfür verwendest du die Standard-LogisticRegression. Sie erhält als Eingabefeatures die einzelnen Vorhersagen der Basis-Schätzer.

Mit beiden Ebenen von Schätzern bereit kannst du den Stacking-Klassifikator erstellen.

Diese Übung ist Teil des Kurses

Ensemble-Methoden in Python

Kurs anzeigen

Anleitung zur Übung

Bereite die Liste der Tupel mit den Klassifikatoren der ersten Ebene vor: clf_dt und clf_knn (mit den passenden Labels und in der richtigen Reihenfolge).
Instanziiere den Meta-Schätzer der zweiten Ebene: eine LogisticRegression.
Erstelle den Stacking-Klassifikator und übergib: die Liste der Tupel, den Meta-Klassifikator, mit stack_method='predict_proba' (um Klassenwahrscheinlichkeiten zu verwenden) und passthrough = False (um nur die Vorhersagen als Features zu nutzen).

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Code bearbeiten und ausführen