Crear el clasificador de stacking

Ahora vas a trabajar en los dos siguientes pasos.

Paso 3: Añadir las predicciones al conjunto de datos: esto lo gestiona internamente la clase StackingClassifier, pero tú te encargarás de preparar la lista de clasificadores de primera capa, que construiste en el ejercicio anterior. Están disponibles como: clf_dt y clf_knn.

Paso 4: Construir el metaestimador de segunda capa: para ello usarás la LogisticRegression por defecto. Esta tomará como características de entrada las predicciones individuales de los estimadores base.

Con ambos niveles de estimadores listos, ya puedes crear el clasificador de stacking.

Este ejercicio forma parte del curso

Ensemble Methods in Python

Ver curso

Instrucciones del ejercicio

Prepara la lista de tuplas con los clasificadores de la primera capa: clf_dt y clf_knn (indicando las etiquetas y el orden adecuados).
Instancia el metaestimador de segunda capa: una LogisticRegression.
Construye el clasificador de stacking pasando: la lista de tuplas, el metaclasificador, con stack_method='predict_proba' (para usar probabilidades de clase) y passthrough = False (para usar solo las predicciones como características).

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Editar y ejecutar código