Boosting
In der letzten Übung hast du mit Ensemble-Techniken begonnen und Bagging verwendet. In einem Machine-Learning-Interview kann es sein, dass du mehr als eine Ensemble-Methode ausprobieren oder besprechen sollst.
Hier übst du Boosting: Dabei werden alle Daten zum Trainieren jedes Learners verwendet, aber Instanzen, die von vorherigen Learners falsch klassifiziert wurden, erhalten ein höheres Gewicht, sodass nachfolgende Learners ihnen beim Training mehr Aufmerksamkeit schenken. Das führt zu einem Modell mit geringerem Bias.
Alle relevanten Pakete wurden bereits für dich importiert:
pandas als pd, train_test_split aus sklearn.model_selection, accuracy_score aus sklearn.linear_model, LogisticRegression aus sklearn.linear_model sowie BaggingClassifier und AdaBoostClassifier aus sklearn.ensemble.
Der DataFrame loan_data ist bereits in X_train, X_test, y_train und y_test aufgeteilt.
Diese Übung ist Teil des Kurses
ML-Vorstellungsgespräche in Python üben
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Boosting model
boosted_model = ____(____=____, random_state=123)