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.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))

Edytuj i uruchom kod