Évaluer votre ensemble
Dans l’exercice précédent, vous avez construit votre premier classifieur par vote. Évaluons-le maintenant et comparons-le à chacun des modèles individuels.
Les modèles individuels (clf_knn, clf_dt et clf_lr) ainsi que le classifieur par vote (clf_vote) ont déjà été chargés et entraînés.
Pensez à utiliser f1_score() pour évaluer les performances. En complément, vous allez créer un rapport de classification sur l’ensemble de test (X_test, y_test) avec la fonction classification_report().
Votre classifieur par vote dépassera-t-il le F1-score de 58 % de l’arbre de décision ?
Cet exercice fait partie du cours
Méthodes d’ensemble en Python
Instructions
- Utilisez le classifieur par vote
clf_votepour prédire les étiquettes de l’ensemble de testX_test. - Calculez le F1-score du classifieur par vote.
- Calculez le rapport de classification du classifieur par vote en passant
y_testetpred_voteàclassification_report().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Calculate the predictions using the voting classifier
pred_vote = ____
# Calculate the F1-Score of the voting classifier
score_vote = ____
print('F1-Score: {:.3f}'.format(score_vote))
# Calculate the classification report
report = ____
print(report)