Bagging: cara scikit-learn
Sekarang mari terapkan BaggingClassifier dari scikit-learn pada himpunan data Pokémon.
Anda memperoleh skor F1 sekitar 0.63 dengan ensemble bagging kustom Anda.
Mungkinkah BaggingClassifier() mengunggulinya? Saatnya mencari tahu!
Latihan ini merupakan bagian dari kursus
Metode Ensemble di Python
Instruksi latihan
- Instansiasikan model dasar,
clf_dt: sebuah pohon keputusan "terbatas" dengan kedalaman maksimum 4. - Bangun bagging classifier dengan pohon keputusan sebagai base estimator, menggunakan 21 estimator.
- Prediksi label himpunan uji.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))