Construire le classifieur de stacking
Vous allez maintenant travailler sur les deux étapes suivantes.
Étape 3 : Ajouter les prédictions au jeu de données :
cela est géré en interne par la classe StackingClassifier, mais nous allons préparer la liste des classifieurs de première couche, que vous avez construits dans l’exercice précédent. Ils sont disponibles sous : clf_dt et clf_knn.
Étape 4 : Construire le méta-estimateur de seconde couche :
pour cela, vous utiliserez le LogisticRegression par défaut. Il prendra en entrée, comme variables, les prédictions individuelles des estimateurs de base.
Avec les deux niveaux d’estimateurs prêts, vous pouvez construire le classifieur de stacking.
Cet exercice fait partie du cours
Méthodes d’ensemble en Python
Instructions
- Préparez la liste de tuples avec les classifieurs de première couche :
clf_dtetclf_knn(en précisant les libellés appropriés et l’ordre). - Instanciez le méta-estimateur de seconde couche : un
LogisticRegression. - Construisez le classifieur de stacking en passant : la liste de tuples, le méta-classifieur, avec
stack_method='predict_proba'(pour utiliser les probabilités de classe), etpassthrough = False(pour n’utiliser que les prédictions comme variables).
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Prepare the list of tuples with the first-layer classifiers
classifiers = [
____,
____
]
# Instantiate the second-layer meta estimator
clf_meta = ____
# Build the stacking classifier
clf_stack = ____(
____,
____,
____,
____)