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

Méthodes d’ensemble en Python

Afficher le cours

Instructions

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 cet exemple de code.

# 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