Bagging: al estilo scikit-learn
Ahora apliquemos el BaggingClassifier de scikit-learn al conjunto de datos de Pokémon.
Con tu ensamblado de bagging personalizado obtuviste un F1 score de alrededor de 0.63.
¿Superará BaggingClassifier() ese resultado? ¡Vamos a comprobarlo!
Este ejercicio forma parte del curso
Ensemble Methods in Python
Instrucciones del ejercicio
- Instancia el modelo base,
clf_dt: un árbol de decisión "restringido" con una profundidad máxima de 4. - Construye un clasificador de bagging con el árbol de decisión como estimador base, usando 21 estimadores.
- Predice las etiquetas del conjunto de prueba.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))