Membangun stacking classifier

Sekarang Anda akan mengerjakan dua langkah berikutnya.

Langkah 3: Tambahkan prediksi ke himpunan data: ini ditangani secara internal oleh kelas StackingClassifier, tetapi kita akan menyiapkan daftar classifier lapis pertama, yang sudah Anda buat pada latihan sebelumnya. Ini tersedia sebagai: clf_dt dan clf_knn.

Langkah 4: Bangun meta estimator lapis kedua: untuk tujuan ini Anda akan menggunakan LogisticRegression default. Ini akan menerima sebagai fitur masukan prediksi individual dari base estimator.

Dengan kedua lapis estimator siap, Anda dapat membangun stacking classifier.

Latihan ini adalah bagian dari kursus

Metode Ensemble di Python

Lihat Kursus

Petunjuk latihan

Siapkan daftar tuple dengan classifier lapis pertama: clf_dt dan clf_knn (tentukan label dan urutan yang tepat).
Instansiasikan meta estimator lapis kedua: sebuah LogisticRegression.
Bangun stacking classifier dengan meneruskan: daftar tuple, meta classifier, dengan stack_method='predict_proba' (untuk menggunakan probabilitas kelas), dan passthrough = False (agar hanya menggunakan prediksi sebagai fitur).

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Edit dan Jalankan Kode