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

ćwiczenie

Dostrajanie hiperparametrów baggingu

Klasyfikator baggingowy można łatwo zbudować, korzystając z domyślnych parametrów – jednak aby osiągnąć optymalną wydajność, zdecydowanie warto je dostroić. Najlepiej robić to za pomocą k-krotnej walidacji krzyżowej.

W tym ćwiczeniu sprawdź, czy możliwe jest poprawienie wyników modelu przez zmianę parametrów klasyfikatora baggingowego.

Do LogisticRegression przekazujemy tu również parametr solver='liblinear', aby skrócić czas obliczeń.

Instrukcje

100 XP
  • Zbuduj klasyfikator baggingowy, używając regresji logistycznej jako estymatora bazowego, z 20 estymatorami bazowymi, 10 maksymalnymi cechami, 0.65 (65%) maksymalną liczbą próbek (max_samples) i próbkowaniem bez zwracania.
  • Użyj clf_bag, aby przewidzieć etykiety dla zbioru testowego X_test.