Percobaan pertama dengan mlxtend

Saatnya mulai bekerja dengan mlxtend! Anda akan tetap menggunakan himpunan data penilaian aplikasi. Karena Anda sudah membangun model stacked ensemble menggunakan scikit-learn, Anda memiliki dasar pembanding untuk model yang sekarang akan Anda bangun dengan mlxtend.

Himpunan data telah dimuat dan tersedia sebagai apps.

Mari kita lihat apakah mlxtend dapat membangun model yang setara atau lebih baik daripada ensemble classifier milik scikit-learn.

Latihan ini adalah bagian dari kursus

Metode Ensemble di Python

Lihat Kursus

Petunjuk latihan

Instansiasi decision tree classifier dengan min_samples_leaf = 3 dan min_samples_split = 9.
Instansiasi classifier 5-nearest neighbors menggunakan algoritma 'ball_tree'.
Bangun StackingClassifier dengan meneruskan: daftar classifier, meta classifier, use_probas=True (untuk menggunakan probabilitas), dan use_features_in_secondary = False (untuk hanya menggunakan prediksi individual).
Evaluasi kinerja dengan menghitung skor akurasi.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))

Edit dan Jalankan Kode