ऐप रेटिंग्स की भविष्यवाणी के लिए stacking लागू करना
इस अभ्यास में आप अपना पहला Stacking एंसेंबल बनाना शुरू करेंगे। आप वही डेटासेट इस्तेमाल करेंगे जो हमने अध्याय 1 में किया था। याद करें, उद्देश्य हर ऐप की रेटिंग (1 से 5) की भविष्यवाणी करना है। जिन इनपुट फीचर्स का हम उपयोग करते हैं, वे हैं: Reviews, Size, Installs, Type, Price, और Content Rating.
हमने पहले ही स्टेप 1: डेटासेट तैयार करना कर लिया है। यह apps के रूप में उपलब्ध है। हमने ज़रूरी फीचर्स को क्लीन किया है और missing values को ज़ीरो से बदला है।
अब, आप स्टेप 2: फर्स्ट-लेयर एस्टिमेटर्स बनाना पर काम करेंगे।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Ensemble Methods
अभ्यास निर्देश
- इन पैरामीटर्स के साथ एक decision tree classifier बनाएँ और फिट करें:
min_samples_leaf: 3औरmin_samples_split: 9. - 5-nearest neighbors classifier बनाएँ और फिट करें, इस पैरामीटर के साथ:
algorithm: 'ball_tree'(प्रोसेसिंग तेज करने के लिए)। - टेस्ट सेट पर accuracy score का उपयोग करके प्रत्येक एस्टिमेटर के प्रदर्शन का मूल्यांकन करें।
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))