Aan de slagGa gratis aan de slag

Je ensemble evalueren

In de vorige oefening heb je je eerste voting-classifier gebouwd. Laten we die nu evalueren en vergelijken met de individuele modellen.

De individuele modellen (clf_knn, clf_dt en clf_lr) en de voting-classifier (clf_vote) zijn al geladen en getraind.

Vergeet niet f1_score() te gebruiken om de prestaties te evalueren. Daarnaast maak je een classification report op de testset (X_test, y_test) met de functie classification_report().

Verslaat je voting-classifier de 58% F1-score van de decision tree?

Deze oefening maakt deel uit van de cursus

Ensemblemethoden in Python

Cursus bekijken

Oefeninstructies

  • Gebruik de voting-classifier, clf_vote, om de labels van de testset X_test te voorspellen.
  • Bereken de F1-score van de voting-classifier.
  • Maak het classification report van de voting-classifier door y_test en pred_vote door te geven aan classification_report().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Calculate the predictions using the voting classifier
pred_vote = ____

# Calculate the F1-Score of the voting classifier
score_vote = ____
print('F1-Score: {:.3f}'.format(score_vote))

# Calculate the classification report
report = ____
print(report)
Code bewerken en uitvoeren