Een eerste poging met mlxtend
Tijd om met mlxtend aan de slag te gaan! Je blijft werken met de app-beoordelingengegevensset. Omdat je al een stacked ensemblemodel met scikit-learn hebt gebouwd, heb je een basis om te vergelijken met het model dat je nu met mlxtend gaat bouwen.
De gegevensset is ingeladen en beschikbaar als apps.
Laten we kijken of mlxtend een model kan bouwen dat net zo goed of beter is dan de scikit-learn ensemble-classifier.
Deze oefening maakt deel uit van de cursus
Ensemblemethoden in Python
Oefeninstructies
- Instantieer een decision tree-classifier met
min_samples_leaf = 3enmin_samples_split = 9. - Instantieer een 5-nearest neighbors-classifier met het
'ball_tree'-algoritme. - Bouw een
StackingClassifieren geef door: de lijst met classifiers, de meta-classifier,use_probas=True(om waarschijnlijkheden te gebruiken) enuse_features_in_secondary = False(om alleen de individuele voorspellingen te gebruiken). - Evalueer de prestaties door de accuracy te berekenen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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)))