Mulai sekarangMulai gratis

Upaya pertama melakukan bagging

Anda telah melihat apa yang terjadi dalam satu iterasi dari sebuah ansambel bagging. Sekarang mari membangun model bagging kustom!

Dua fungsi telah disiapkan untuk Anda:

def build_decision_tree(X_train, y_train, random_state=None):
    # Mengambil sampel dengan pengembalian (with replacement),
    # membangun pohon keputusan "lemah",
    # dan menyesuaikannya ke himpunan latih

def predict_voting(classifiers, X_test):
    # Membuat prediksi individual 
    # lalu menggabungkannya menggunakan "Voting"

Secara teknis, fungsi build_decision_tree() adalah apa yang Anda lakukan pada latihan sebelumnya. Di sini, Anda akan membangun beberapa pohon seperti itu lalu menggabungkannya. Mari kita lihat apakah ansambel model-model "lemah" ini meningkatkan kinerja!

Latihan ini merupakan bagian dari kursus

Metode Ensemble di Python

Lihat Kursus

Instruksi latihan

  • Bangun model-model individual dengan memanggil build_decision_tree(), berikan himpunan latih dan indeks i sebagai random state.
  • Prediksi label himpunan uji menggunakan predict_voting(), dengan daftar classifier clf_list dan fitur masukan uji.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Build the list of individual models
clf_list = []
for i in range(21):
	weak_dt = ____
	clf_list.append(weak_dt)

# Predict on the test set
pred = ____

# Print the F1 score
print('F1 score: {:.3f}'.format(f1_score(y_test, pred)))
Edit dan Jalankan Kode