MulaiMulai sekarang secara gratis

Memeriksa out-of-bag score

Sekarang mari periksa out-of-bag score untuk model dari latihan sebelumnya.

Sejauh ini Anda menggunakan F1 score untuk mengukur kinerja. Namun, pada latihan ini Anda harus menggunakan accuracy score agar mudah membandingkannya dengan out-of-bag score.

Decision tree classifier dari latihan sebelumnya, clf_dt, tersedia di workspace Anda.

Himpunan data pokemon sudah dimuat untuk Anda dan telah dipisah menjadi train dan test set. Selain itu, decision tree classifier telah di-fit dan tersedia untuk Anda sebagai clf_dt untuk digunakan sebagai base estimator.

Latihan ini adalah bagian dari kursus

Metode Ensemble di Python

Lihat Kursus

Petunjuk latihan

  • Bangun bagging classifier dengan decision tree sebagai base estimator dan 21 estimator. Kali ini, gunakan out-of-bag score dengan menentukan argumen untuk parameter oob_score.
  • Cetak out-of-bag score dari classifier.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Build and train the bagging classifier
clf_bag = ____(
  ____,
  ____,
  ____,
  random_state=500)
clf_bag.fit(X_train, y_train)

# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))

# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))
Edit dan Jalankan Kode