Un primo tentativo con mlxtend
È il momento di iniziare a lavorare con mlxtend! Continuerai a usare l'insieme di dati delle valutazioni delle app. Dato che hai già costruito un modello di stacking con scikit-learn, hai una base di confronto con il modello che costruirai ora con mlxtend.
Il dataset è stato caricato ed è disponibile come apps.
Vediamo se mlxtend riesce a costruire un modello altrettanto buono o migliore dello classifier di ensemble di scikit-learn.
Questo esercizio fa parte del corso
Metodi Ensemble in Python
Istruzioni dell'esercizio
- Istanzia un classificatore ad albero decisionale con
min_samples_leaf = 3emin_samples_split = 9. - Istanzia un classificatore 5-nearest neighbors usando l'algoritmo
'ball_tree'. - Costruisci uno
StackingClassifierpassando: la lista dei classificatori, il meta-classificatore,use_probas=True(per usare le probabilità) euse_features_in_secondary = False(per usare solo le predizioni individuali). - Valuta le prestazioni calcolando l'accuracy.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)))