Bagging w scikit-learn
Zastosujmy teraz BaggingClassifier z biblioteki scikit-learn do zbioru danych Pokémon.
Wcześniej uzyskałeś wynik F1 wynoszący około 0.63 z własnym zespołem baggingowym.
Czy BaggingClassifier() go pobije? Czas się przekonać!
To ćwiczenie jest częścią kursu
Metody zespołowe w Pythonie
Instrukcje do ćwiczenia
- Utwórz model bazowy
clf_dt: "ograniczone" drzewo decyzyjne z maksymalną głębokością 4. - Zbuduj klasyfikator baggingowy z drzewem decyzyjnym jako estymatorem bazowym, używając 21 estymatorów.
- Przewidź etykiety zbioru testowego.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))