버섯: 생사를 가르는 문제
이제 버섯의 식용 가능성 문제를 다시 살펴보며 강의를 마무리해 볼까요? 스태킹 분류기를 사용해 점수가 더 좋아지는지 확인해 보겠습니다. 스태킹은 첫 번째 레이어의 예측을 보정하려는 메타 추정기(두 번째 레이어 분류기)를 사용하므로, 잘못 분류된 일부 사례가 바로잡힐 수 있어요. 버섯의 식용 가능성은 생사를 가르는 매우 중요한 문제입니다.
데이터셋은 이미 불러와 학습 세트와 테스트 세트로 분할되어 있습니다. 스태킹을 사용하면 버섯의 식용 가능성을 더 높은 신뢰도로 예측하는 데 도움이 될까요?
이 연습은 강의의 일부입니다
Python에서의 앙상블 기법
연습 안내
- 첫 번째 레이어의 추정기를 인스턴스화하세요: ball tree 알고리즘을 사용하는 5-최근접 이웃,
min_samples_leaf = 5와min_samples_split = 15를 갖는 결정 트리 분류기, 그리고 Gaussian Naive Bayes 분류기. - 스태킹 분류기를 구성하고 학습하세요. 매개변수로는
classifiers(첫 번째 레이어 분류기들을 담은 리스트)와meta_classifier(기본 로지스틱 회귀)를 사용합니다.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Create the first-layer models
clf_knn = ____
clf_dt = ____(____, ____, random_state=500)
clf_nb = ____
# Create the second-layer model (meta-model)
clf_lr = LogisticRegression()
# Create and fit the stacked model
clf_stack = ____
clf_stack.fit(X_train, y_train)
# Evaluate the stacked model’s performance
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, clf_stack.predict(X_test))))