Comprobar la puntuación out-of-bag
Ahora vamos a comprobar la puntuación out-of-bag del modelo del ejercicio anterior.
Hasta ahora has usado la F1 score para medir el rendimiento. Sin embargo, en este ejercicio debes usar la accuracy para poder compararla fácilmente con la puntuación out-of-bag.
El clasificador de árbol de decisión del ejercicio anterior, clf_dt, está disponible en tu espacio de trabajo.
El conjunto de datos pokemon ya está cargado y dividido en conjuntos de entrenamiento y prueba.
Además, el clasificador de árbol de decisión se ajustó y está disponible como clf_dt para usarlo como estimador base.
Este ejercicio forma parte del curso
Ensemble Methods in Python
Instrucciones del ejercicio
- Construye el clasificador de bagging usando el árbol de decisión como estimador base y 21 estimadores. Esta vez, utiliza la puntuación out-of-bag especificando un argumento para el parámetro
oob_score. - Imprime la puntuación out-of-bag del clasificador.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))