Aplicar stacking para predecir valoraciones de apps
En este ejercicio vas a empezar a construir tu primer ensemble de Stacking. El conjunto de datos que usarás es el primero que utilizamos en el Capítulo 1. Si recuerdas, el objetivo es predecir la valoración de cada app (de 1 a 5). Las variables de entrada que usamos son: Reviews, Size, Installs, Type, Price y Content Rating.
Ya hicimos el paso 1: preparar el conjunto de datos. Lo tienes disponible como apps. Limpiamos las variables necesarias y sustituimos los valores faltantes por ceros.
Ahora, vas a trabajar en el paso 2: construir los estimadores de la primera capa.
Este ejercicio forma parte del curso
Ensemble Methods in Python
Instrucciones del ejercicio
- Construye y ajusta un clasificador de árbol de decisión con:
min_samples_leaf: 3ymin_samples_split: 9. - Construye y ajusta un clasificador de 5 vecinos más cercanos usando:
algorithm: 'ball_tree'(para acelerar el procesamiento). - Evalúa el rendimiento de cada estimador usando la accuracy en el conjunto de prueba.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))