Aan de slagGa gratis aan de slag

Je eerste ensemble samenstellen

Tijd om je eerste ensemblemodel te bouwen! De Pokémon-gegevensset uit de vorige oefening is geladen en opgesplitst in train- en test-sets.

Jouw taak is om de voting-ensembletechniek te gebruiken via de sklearn-API. Jij instantiëert de individuele modellen en geeft ze als parameters door om je eerste voting classifier te bouwen.

Deze oefening maakt deel uit van de cursus

Ensemblemethoden in Python

Cursus bekijken

Oefeninstructies

  • Instantieerd een KNeighborsClassifier met de naam clf_knn met 5 neighbors (opgegeven via n_neighbors).
  • Instantieerd een "balanced" LogisticRegression met de naam clf_lr (opgegeven via class_weight).
  • Instantieerd een DecisionTreeClassifier met de naam clf_dt met min_samples_leaf = 3 en min_samples_split = 9.
  • Bouw een VotingClassifier en gebruik de parameter estimators om de volgende lijst met (str, estimator)-paren op te geven: 'knn', clf_knn, 'lr', clf_lr en 'dt', clf_dt.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)
Code bewerken en uitvoeren