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

ćwiczenie

Pierwsze kroki z mlxtend

Czas zacząć pracę z mlxtend! Będziesz dalej korzystać ze zbioru danych z ocenami aplikacji. Ponieważ masz już za sobą budowę modelu zespołowego z użyciem scikit-learn, możesz porównać go z modelem, który teraz stworzysz za pomocą mlxtend.

Zbiór danych jest wczytany i dostępny jako apps.

Sprawdź, czy mlxtend pozwoli zbudować model równie dobry lub lepszy niż klasyfikator zespołowy ze scikit-learn.

Instrukcje

100 XP
  • Utwórz klasyfikator drzewa decyzyjnego z parametrami min_samples_leaf = 3 i min_samples_split = 9.
  • Utwórz klasyfikator 5 najbliższych sąsiadów, używając algorytmu 'ball_tree'.
  • Zbuduj StackingClassifier, przekazując: listę klasyfikatorów, metaklasyfikator, use_probas=True (aby korzystać z prawdopodobieństw) oraz use_features_in_secondary = False (aby używać wyłącznie indywidualnych predykcji).
  • Oceń jakość modelu, obliczając wynik dokładności.