Construire votre premier ensemble

Il est temps de créer votre premier modèle d’ensemble ! Le jeu de données Pokémon de l’exercice précédent a été chargé puis séparé en ensembles d’entraînement et de test.

Votre objectif est d’exploiter la technique d’ensemble par vote en utilisant l’API sklearn. À vous d’instancier les modèles individuels et de les passer en paramètres pour construire votre premier voting classifier.

Cet exercice fait partie du cours

<cours>Méthodes d’ensemble en Python</cours>

Voir le cours

Instructions de l’exercice

Instanciez un KNeighborsClassifier nommé clf_knn avec 5 voisins (spécifié via n_neighbors).
Instanciez une LogisticRegression avec class_weight = "balanced", nommée clf_lr.
Instanciez un DecisionTreeClassifier nommé clf_dt avec min_samples_leaf = 3 et min_samples_split = 9.
Créez un VotingClassifier en utilisant le paramètre estimators pour fournir la liste suivante de couples (str, estimateur) : 'knn', clf_knn, 'lr', clf_lr, et 'dt', clf_dt.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)

Modifier et exécuter le code