スタッキング分類器を構築する
ここからは次の2つのステップに取り組みます。
ステップ3: 予測をデータセットに追加する:
これは内部的には StackingClassifier クラスが処理しますが、前の演習で作成した第1層の分類器リストを準備しておきます。利用可能な分類器は clf_dt と clf_knn です。
ステップ4: 第2層のメタ推定器を構築する:
ここではデフォルトの LogisticRegression を使用します。これはベース推定器の個々の予測を入力特徴量として受け取ります。
両方の層の推定器がそろったら、スタッキング分類器を構築できます。
この演習はコースの一部です
Pythonで学ぶアンサンブル手法
演習の手順
- 第1層の分類器
clf_dtとclf_knnを、適切なラベルと順序でタプルのリストにまとめます。 - 第2層のメタ推定器として
LogisticRegressionをインスタンス化します。 - スタッキング分類器を構築します。引数として、タプルのリスト、メタ分類器、
stack_method='predict_proba'（クラス確率を用いるため）、passthrough = False（予測のみを特徴量として使うため）を渡します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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 = ____(
____,
____,
____,
____)