더 복잡한 배깅 모델

반도체 데이터를 살펴봤으니, 이제 입력 특성으로부터 'Pass/Fail' 레이블을 예측하는 배깅 분류기를 만들어 보겠습니다.

전처리된 데이터셋은 작업 공간의 uci_secom으로 제공되며, 학습/테스트 세트는 미리 생성되어 있습니다.

타깃에 심한 클래스 불균형이 있으므로, 여기서는 기본 추정기로 "balanced" 로지스틱 회귀를 사용하세요.

또한 LogisticRegression의 계산 시간을 줄이기 위해 solver='liblinear' 매개변수를 사용합니다. 이는 기본값보다 더 빠른 옵티마이저입니다.

다음 매개변수로 기본 분류기에 사용할 로지스틱 회귀를 인스턴스화하세요: class_weight='balanced', solver='liblinear', random_state=42.
위 로지스틱 회귀를 기본 추정기로 사용하는 배깅 분류기를 만들고, 최대 특성 수를 10으로 지정하며, out-of-bag 점수를 포함하세요.
정확도와 비교할 수 있도록 out-of-bag 점수를 출력하세요.