1. Nauka
    2. /
  2. Kursy
    3. /
  3. Metody zespołowe w Pythonie
Connected

ćwiczenie

Bardziej złożony model baggingu

Po zapoznaniu się z danymi dotyczącymi półprzewodników zbudujmy teraz klasyfikator baggingu, który przewiduje etykietę 'Pass/Fail' na podstawie cech wejściowych.

Wstępnie przetworzone dane są dostępne w twoim środowisku jako uci_secom, a zbiory treningowy i testowy zostały już dla ciebie przygotowane.

Ponieważ klasy docelowe są mocno niezbalansowane, użyj jako estymatora bazowego regresji logistycznej z parametrem "balanced".

Aby skrócić czas obliczeń dla LogisticRegression, użyjemy parametru solver='liblinear' – jest to szybszy optymalizator niż domyślny.

Instrukcje

100 XP
  • Utwórz instancję regresji logistycznej, która posłuży jako klasyfikator bazowy, z następującymi parametrami: class_weight='balanced', solver='liblinear' i random_state=42.
  • Zbuduj klasyfikator baggingu, używając tej regresji logistycznej jako estymatora bazowego – określ maksymalną liczbę cech jako 10 i włącz obliczanie wyniku out-of-bag.
  • Wyświetl wynik out-of-bag, aby porównać go z dokładnością modelu.