Assembler votre premier ensemble

Il est temps de créer votre premier modèle d'ensemble ! Le jeu de données Pokémon de l'exercice précédent a été chargé et divisé en ensembles d'entraînement et de test.

Votre tâche est d'exploiter la technique d'ensemble par vote à l'aide de l'API sklearn. À vous d'instancier les modèles individuels et de les transmettre en paramètres pour construire votre premier voting classifier.

Cette activité fait partie du cours

Méthodes d'ensemble en Python

Voir le cours

Instructions de l’exercice

Instanciez un KNeighborsClassifier nommé clf_knn avec 5 voisins (à l'aide de n_neighbors).
Instanciez une LogisticRegression « balanced » nommée clf_lr (à l'aide de class_weight).
Instanciez un DecisionTreeClassifier nommé clf_dt avec min_samples_leaf = 3 et min_samples_split = 9.
Créez un VotingClassifier en utilisant le paramètre estimators pour indiquer la liste suivante de tuples (str, estimateur) : 'knn', clf_knn, 'lr', clf_lr, et 'dt', clf_dt.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)

Modifier et exécuter le code