Vérifier le score out-of-bag
Vérifions maintenant le score out-of-bag du modèle de l’exercice précédent.
Jusqu’ici, vous avez utilisé le score F1 pour mesurer la performance. Cependant, dans cet exercice, utilisez l’accuracy afin de pouvoir la comparer facilement au score out-of-bag.
Le classificateur à arbre de décision de l’exercice précédent, clf_dt, est disponible dans votre espace de travail.
Le jeu de données pokemon est déjà chargé et divisé en ensembles d’entraînement et de test.
De plus, le classificateur à arbre de décision a été ajusté et est disponible sous le nom clf_dt pour l’utiliser comme estimateur de base.
Cet exercice fait partie du cours
Méthodes d’ensemble en Python
Instructions
- Construisez le classificateur de bagging en utilisant l’arbre de décision comme estimateur de base et 21 estimateurs. Cette fois, utilisez le score out-of-bag en spécifiant un argument pour le paramètre
oob_score. - Affichez le score out-of-bag du classificateur.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))