Verificare l'out-of-bag score
Ora controlliamo l'out-of-bag score per il modello dell'esercizio precedente.
Finora hai usato l'F1 score per misurare le prestazioni. In questo esercizio invece dovresti usare l'accuracy score, così potrai confrontarlo facilmente con l'out-of-bag score.
Il classificatore ad albero di decisione dell'esercizio precedente, clf_dt, è disponibile nel tuo workspace.
Il dataset pokemon è già caricato e suddiviso in train e test.
Inoltre, il classificatore ad albero di decisione è stato addestrato ed è disponibile come clf_dt per usarlo come base estimator.
Questo esercizio fa parte del corso
Metodi Ensemble in Python
Istruzioni dell'esercizio
- Crea il classificatore bagging usando l'albero di decisione come base estimator e 21 stimatori. Questa volta, usa l'out-of-bag score specificando un argomento per il parametro
oob_score. - Stampa l'out-of-bag score del classificatore.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)))