Bagging: scikit-learn 방식
scikit-learn의 BaggingClassifier를 포켓몬 데이터셋에 적용해 보겠습니다.
사용자 정의 bagging 앙상블로 F1 점수 약 0.63을 얻었죠.
이번에는 BaggingClassifier()가 더 좋은 성능을 낼까요? 이제 확인해 볼 시간입니다!
이 연습은 강의의 일부입니다
Python에서의 앙상블 기법
연습 안내
- 기본 모델
clf_dt를 인스턴스화하세요: 최대 깊이가 4인 "제한된" 결정 트리입니다. - 결정 트리를 기본 추정기로 사용하여 추정기 수가 21개인 bagging 분류기를 만드세요.
- 테스트 세트의 레이블을 예측하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))