Costruire lo stacking classifier
Ora lavorerai sui prossimi due passi.
Passo 3: Aggiungi le predizioni all'insieme di dati:
questo è gestito internamente dalla classe StackingClassifier, ma noi ci occuperemo di preparare l'elenco dei classificatori di primo livello, che hai costruito nell'esercizio precedente. Sono disponibili come: clf_dt e clf_knn.
Passo 4: Costruisci il meta-estimatore di secondo livello:
per questo userai il LogisticRegression di default. Come caratteristiche in input userà le predizioni individuali dei classificatori base.
Con entrambi i livelli di stimatori pronti, puoi costruire lo stacking classifier.
Questo esercizio fa parte del corso
Metodi Ensemble in Python
Istruzioni dell'esercizio
- Prepara l'elenco di tuple con i classificatori di primo livello:
clf_dteclf_knn(specificando le etichette corrette e l'ordine). - Istanzia il meta-estimatore di secondo livello: un
LogisticRegression. - Costruisci lo stacking classifier passando: l'elenco di tuple, il meta-classificatore, con
stack_method='predict_proba'(per usare le probabilità di classe) epassthrough = False(per usare solo le predizioni come caratteristiche).
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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 = ____(
____,
____,
____,
____)