Sprawdzanie wyniku out-of-bag
Sprawdźmy teraz wynik out-of-bag dla modelu z poprzedniego ćwiczenia.
Do tej pory do mierzenia wydajności używano miary F1. W tym ćwiczeniu skorzystaj jednak z miary dokładności (accuracy), aby łatwo porównać ją z wynikiem out-of-bag.
Klasyfikator drzewa decyzyjnego z poprzedniego ćwiczenia, clf_dt, jest dostępny w twoim środowisku.
Zbiór danych pokemon jest już wczytany i podzielony na zbiory treningowy i testowy.
Ponadto klasyfikator drzewa decyzyjnego został dopasowany i jest dostępny jako clf_dt – użyj go jako estymatora bazowego.
To ćwiczenie jest częścią kursu
Metody zespołowe w Pythonie
Instrukcje do ćwiczenia
- Zbuduj klasyfikator baggingowy, używając drzewa decyzyjnego jako estymatora bazowego i 21 estymatorów. Tym razem uwzględnij wynik out-of-bag, podając odpowiedni argument dla parametru
oob_score. - Wyświetl wynik out-of-bag klasyfikatora.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))