Construire le classificateur par empilement
Vous allez maintenant passer aux deux prochaines étapes.
Étape 3 : Ajouter les prédictions au jeu de données :
cela est géré en interne par la classe StackingClassifier, mais vous ferez votre part en préparant la liste des classificateurs de premier niveau, que vous avez construits dans l'exercice précédent. Ils sont disponibles sous : clf_dt et clf_knn.
Étape 4 : Construire l'estimateur méta de deuxième couche :
pour cela, vous utiliserez le LogisticRegression par défaut. Celui-ci prendra comme caractéristiques d'entrée les prédictions individuelles des estimateurs de base.
Avec les deux niveaux d'estimateurs prêts, vous pouvez construire le classificateur par empilement.
Cette activité fait partie du cours
Méthodes d'ensemble en Python
Instructions de l’exercice
- Préparez la liste de tuples avec les classificateurs de première couche :
clf_dtetclf_knn(en précisant les étiquettes appropriées et l'ordre). - Instanciez l'estimateur méta de deuxième couche : un
LogisticRegression. - Construisez le classificateur par empilement en passant : la liste de tuples, le méta-classificateur, avec
stack_method='predict_proba'(pour utiliser les probabilités de classe) etpassthrough = False(pour n'utiliser que les prédictions comme caractéristiques).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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 = ____(
____,
____,
____,
____)