Agregación bootstrap (bagging)

En la última lección, probaste un poco los modelos de clasificación aplicando regresión logística a datos con características ingenierizadas. En entrevistas de Machine Learning, a veces conviene conocer los modelos de conjunto, ya que combinan aprendices débiles para crear un aprendiz fuerte que mejora la precisión del modelo.

En este ejercicio, empezarás aplicando un clasificador de bagging, que usa una técnica de muestreo con reemplazo para mantener la aleatoriedad y reducir el sobreajuste. Utilizarás funciones del módulo sklearn.ensemble, que viste en el ejercicio en vídeo.

Ya se han importado todos los paquetes relevantes por ti: pandas como pd, train_test_split de sklearn.model_selection, accuracy_score de sklearn.metrics, LogisticRegression de sklearn.linear_model, y BaggingClassifier y AdaBoostClassifier de sklearn.ensemble.

El DataFrame loan_data ya está dividido en X_train, X_test, y_train y y_test.