Agrégation bootstrap (bagging)

Dans la dernière leçon, vous avez eu un premier aperçu des modèles de classification en appliquant une régression logistique à des données avec des caractéristiques conçues. En entrevue de Machine Learning, il est parfois utile de connaître les modèles d'ensemble, puisqu'ils combinent des apprenants faibles pour créer un apprenant plus performant qui améliore la précision du modèle.

Dans cet exercice, vous commencerez par appliquer un classifieur par ensachage (bagging), qui utilise un échantillonnage avec remise afin de maintenir l'aléatoire et de réduire le surapprentissage. Vous utiliserez des fonctions du module sklearn.ensemble, comme dans l'exercice vidéo.

Tous les forfaits pertinents ont été importés pour vous : pandas sous pd, train_test_split de sklearn.model_selection, accuracy_score de sklearn.metrics, LogisticRegression de sklearn.linear_model, ainsi que BaggingClassifier et AdaBoostClassifier de sklearn.ensemble.

Le DataFrame loan_data est déjà séparé en X_train, X_test, y_train et y_test.