시작하기무료로 시작하기

mlxtend로 처음 시도해 보기

이제 mlxtend를 직접 활용해 볼 시간이에요! 계속해서 앱 평점 데이터셋을 사용합니다. 이미 scikit-learn으로 스태킹 앙상블 모델을 만들어 봤으니, 이제 mlxtend로 만드는 모델과 비교해 볼 수 있어요.

데이터셋은 apps로 로드되어 있어요.

이제 mlxtend가 scikit-learn 앙상블 분류기만큼 잘하거나 더 나은 모델을 만들 수 있는지 확인해 보죠.

이 연습은 강의의 일부입니다

Python에서의 앙상블 기법

강의 보기

연습 안내

  • min_samples_leaf = 3, min_samples_split = 9로 결정 트리 분류기를 인스턴스화하세요.
  • 'ball_tree' 알고리즘을 사용하는 5-최근접 이웃 분류기를 인스턴스화하세요.
  • 다음을 전달해 StackingClassifier를 구성하세요: 분류기 목록, 메타 분류기, use_probas=True(확률 사용), use_features_in_secondary = False(개별 예측만 사용).
  • 정확도를 계산해 성능을 평가하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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)))
코드 편집 및 실행