Bagging: de scikit-learn-manier
Laten we nu scikit-learn's BaggingClassifier toepassen op de Pokémon-gegevensset.
Je haalde een F1-score van ongeveer 0.63 met je eigen bagging-ensemble.
Kan BaggingClassifier() dit verslaan? Tijd om daar achter te komen!
Deze oefening maakt deel uit van de cursus
Ensemblemethoden in Python
Oefeninstructies
- Instantier het basismodel,
clf_dt: een "beperkte" beslisboom met een maximale diepte van 4. - Bouw een bagging-classifier met de beslisboom als base estimator, met 21 estimators.
- Voorspel de labels van de testset.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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)))