De stacking-classifier bouwen

Nu ga je aan de slag met de volgende twee stappen.

Stap 3: Voeg de voorspellingen toe aan de gegevensset: Dit wordt intern afgehandeld door de klasse StackingClassifier, maar wij doen ons deel door de lijst met first-level classifiers voor te bereiden, die je in de vorige oefening hebt gebouwd. Deze zijn beschikbaar als: clf_dt en clf_knn.

Stap 4: Bouw de meta-estimator voor de tweede laag: Hiervoor gebruik je de standaard LogisticRegression. Deze neemt als invoerkenmerken de individuele voorspellingen van de basis-estimators.

Met beide niveaus van estimators klaar kun je de stacking-classifier bouwen.

Deze oefening maakt deel uit van de cursus

Ensemblemethoden in Python

Cursus bekijken

Oefeninstructies

Bereid de lijst met tuples voor met de first-layer classifiers: clf_dt en clf_knn (met de juiste labels en in de juiste volgorde).
Instantieer de meta-estimator voor de tweede laag: een LogisticRegression.
Bouw de stacking-classifier met: de lijst met tuples, de meta-classifier, met stack_method='predict_proba' (om klassekansen te gebruiken), en passthrough = False (om alleen voorspellingen als features te gebruiken).

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Code bewerken en uitvoeren