Prédire les décès dans GoT

Même si la variable cible ne contient aucune valeur manquante, d'autres caractéristiques en contiennent. Comme l'objectif du cours n'est pas le nettoyage ni le prétraitement des données, nous avons déjà effectué le prétraitement suivant pour vous :

Remplacer les valeurs NA par 0.
Remplacer les âges négatifs par 0.
Remplacer les valeurs NA de l'âge par la moyenne.

Construisons maintenant un modèle d'ensemble avec la technique de moyennage. Les modèles individuels suivants ont été créés :

Régression logistique (clf_lr).
Arbre de décision (clf_dt).
Machine à vecteurs de support (clf_svm).

Comme la cible est binaire, chacun de ces modèles peut déjà donner de bons résultats individuellement. Votre objectif est de les combiner par moyennage. Rappelez-vous de la vidéo que cela équivaut à un vote soft, donc vous devez quand même utiliser VotingClassifier().

Cette activité fait partie du cours

Méthodes d'ensemble en Python

Voir le cours

Instructions de l’exercice

Préparez la liste de tuples (chaîne, estimateur). Utilisez 'lr' pour clf_lr, 'dt' pour clf_dt et 'svm' pour clf_svm.
Construisez un classificateur par moyennage nommé clf_avg. Assurez-vous d'indiquer un argument pour le paramètre voting.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Build the individual models
clf_lr = LogisticRegression(class_weight='balanced')
clf_dt = DecisionTreeClassifier(min_samples_leaf=3, min_samples_split=9, random_state=500)
clf_svm = SVC(probability=True, class_weight='balanced', random_state=500)

# List of (string, estimator) tuples
estimators = ____

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate model performance
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Accuracy: {:.2f}'.format(acc_avg))

Modifier et exécuter le code