Un primer intento con mlxtend
¡Es hora de empezar a trabajar con mlxtend! Seguirás usando el conjunto de datos de valoraciones de apps. Como ya has creado un modelo de stacking con scikit-learn, tendrás una base con la que comparar el modelo que vas a construir ahora con mlxtend.
El conjunto de datos está cargado y disponible como apps.
Veamos si mlxtend puede construir un modelo tan bueno como, o mejor que, el clasificador en conjunto de scikit-learn.
Este ejercicio forma parte del curso
Ensemble Methods in Python
Instrucciones del ejercicio
- Instancia un clasificador de árbol de decisión con
min_samples_leaf = 3ymin_samples_split = 9. - Instancia un clasificador de 5 vecinos más cercanos usando el algoritmo
'ball_tree'. - Construye un
StackingClassifierpasando: la lista de clasificadores, el meta clasificador,use_probas=True(para usar probabilidades) yuse_features_in_secondary = False(para usar solo las predicciones individuales). - Evalúa el rendimiento calculando la puntuación de accuracy.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____
# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()
# Build the Stacking classifier
clf_stack = ____
clf_stack.____
# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))