Boosting
Dans le dernier exercice, vous avez commencé les techniques d’ensemble avec le bagging. Lors d’un entretien en Machine Learning, on peut vous demander d’essayer ou de discuter de plusieurs techniques d’ensemble.
Ici, vous allez pratiquer le Boosting, qui utilise toutes les données pour entraîner chaque apprenant, mais accorde davantage de poids aux instances mal classées par les apprenants précédents afin que les suivants se concentrent davantage sur celles-ci pendant l’entraînement. Il en résulte un modèle avec un biais réduit.
Tous les packages nécessaires ont été importés pour vous :
pandas sous le nom pd, train_test_split depuis sklearn.model_selection, accuracy_score depuis sklearn.linear_model, LogisticRegression depuis sklearn.linear_model, et BaggingClassifier ainsi que AdaBoostClassifier depuis sklearn.ensemble.
Le DataFrame loan_data est déjà séparé en X_train, X_test, y_train et y_test.
Cet exercice fait partie du cours
S’entraîner aux questions d’entretien en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Boosting model
boosted_model = ____(____=____, random_state=123)