Évaluer votre ensemble
Dans l'exercice précédent, vous avez construit votre premier classificateur par vote. Évaluons-le maintenant et comparons-le à chacun des modèles pris séparément.
Les modèles individuels (clf_knn, clf_dt et clf_lr) ainsi que le classificateur par vote (clf_vote) sont déjà chargés et entraînés.
N'oubliez pas d'utiliser f1_score() pour évaluer la performance. De plus, vous allez créer un rapport de classification sur l'ensemble de test (X_test, y_test) à l'aide de la fonction classification_report().
Votre classificateur par vote dépassera-t-il le F1-Score de 58 % de l'arbre de décision?
Cette activité fait partie du cours
Méthodes d'ensemble en Python
Instructions de l’exercice
- Utilisez le classificateur par vote,
clf_vote, pour prédire les étiquettes de l'ensemble de test,X_test. - Calculez le F1-Score du classificateur par vote.
- Calculez le rapport de classification du classificateur par vote en passant
y_testetpred_voteàclassification_report().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate the predictions using the voting classifier
pred_vote = ____
# Calculate the F1-Score of the voting classifier
score_vote = ____
print('F1-Score: {:.3f}'.format(score_vote))
# Calculate the classification report
report = ____
print(report)