Montar tu primer ensemble

¡Es hora de construir tu primer modelo ensemble! El conjunto de datos de Pokémon del ejercicio anterior ya se ha cargado y dividido en conjuntos de entrenamiento y prueba.

Tu tarea es aplicar la técnica de votación (voting) usando la API de sklearn. Te toca instanciar los modelos individuales y pasarlos como parámetros para construir tu primer voting classifier.

Este ejercicio forma parte del curso

Ensemble Methods in Python

Ver curso

Instrucciones del ejercicio

Instancia un KNeighborsClassifier llamado clf_knn con 5 vecinos (especificado con n_neighbors).
Instancia una LogisticRegression con "balanced" llamada clf_lr (especificado con class_weight).
Instancia un DecisionTreeClassifier llamado clf_dt con min_samples_leaf = 3 y min_samples_split = 9.
Construye un VotingClassifier usando el parámetro estimators para indicar la siguiente lista de tuplas (str, estimator): 'knn', clf_knn, 'lr', clf_lr, y 'dt', clf_dt.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)

Editar y ejecutar código