Mulai sekarangMulai gratis

Memprediksi kematian di GoT

Meskipun variabel target tidak memiliki nilai yang hilang, fitur lainnya ada yang memiliki. Karena fokus kursus ini bukan pada pembersihan dan prapemrosesan data, kami sudah melakukan prapemrosesan berikut untuk Anda:

  • Mengganti nilai NA dengan 0.
  • Mengganti nilai usia yang negatif dengan 0.
  • Mengganti nilai NA pada usia dengan nilai rata-ratanya.

Sekarang mari membangun model ansambel menggunakan teknik averaging. Model individual berikut telah dibangun:

  • Logistic Regression (clf_lr).
  • Decision Tree (clf_dt).
  • Support Vector Machine (clf_svm).

Karena target bersifat biner, semua model ini mungkin memiliki kinerja individual yang baik. Tujuan Anda adalah menggabungkannya menggunakan averaging. Ingat dari video bahwa ini sama dengan pendekatan voting soft, jadi Anda tetap harus menggunakan VotingClassifier().

Latihan ini merupakan bagian dari kursus

Metode Ensemble di Python

Lihat Kursus

Instruksi latihan

  • Siapkan daftar tuple (string, estimator). Gunakan 'lr' untuk clf_lr, 'dt' untuk clf_dt, dan 'svm' untuk clf_svm.
  • Bangun averaging classifier bernama clf_avg. Pastikan Anda menyetel argumen untuk parameter voting.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Build the individual models
clf_lr = LogisticRegression(class_weight='balanced')
clf_dt = DecisionTreeClassifier(min_samples_leaf=3, min_samples_split=9, random_state=500)
clf_svm = SVC(probability=True, class_weight='balanced', random_state=500)

# List of (string, estimator) tuples
estimators = ____

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate model performance
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Accuracy: {:.2f}'.format(acc_avg))
Edit dan Jalankan Kode