Boosting
Dans le dernier exercice, vous avez commencé avec les méthodes d'ensemble en utilisant le bagging. Lors d'une entrevue en Machine Learning, on pourrait vous demander d'essayer ou de discuter de plus d'une technique d'ensemble.
Ici, vous allez pratiquer le Boosting, qui utilise toutes les données pour entraîner chaque apprenant, mais accorde plus de poids aux instances mal classées par les apprenants précédents afin que les suivants s'y attardent davantage pendant l'entraînement. On obtient ainsi un modèle dont le biais est réduit.
Tous les modules nécessaires ont été importés pour vous :
pandas sous pd, train_test_split de sklearn.model_selection, accuracy_score de sklearn.linear_model, LogisticRegression de sklearn.linear_model, ainsi que BaggingClassifier et AdaBoostClassifier de sklearn.ensemble.
Le DataFrame loan_data est déjà scindé en X_train, X_test, y_train et y_test.
Cette activité fait partie du cours
S'exercer aux questions d'entrevue en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Boosting model
boosted_model = ____(____=____, random_state=123)