Stosowanie stackingu do przewidywania ocen aplikacji
W tym ćwiczeniu zaczniesz budować swój pierwszy zespół oparty na stackingu. Użyjesz zbioru danych z rozdziału 1. Przypomnij sobie: celem jest przewidzenie oceny każdej aplikacji (w skali od 1 do 5). Jako cechy wejściowe wykorzystujemy: Reviews, Size, Installs, Type, Price oraz Content Rating.
Krok 1: przygotowanie zbioru danych jest już gotowy. Zbiór danych jest dostępny jako apps – wymagane cechy zostały wyczyszczone, a brakujące wartości zastąpione zerami.
Teraz zajmiesz się krokiem 2: budową estymatorów pierwszej warstwy.
To ćwiczenie jest częścią kursu
Metody zespołowe w Pythonie
Instrukcje do ćwiczenia
- Zbuduj i dopasuj klasyfikator drzewa decyzyjnego z parametrami:
min_samples_leaf: 3imin_samples_split: 9. - Zbuduj i dopasuj klasyfikator 5 najbliższych sąsiadów z parametrem:
algorithm: 'ball_tree'(przyspiesza przetwarzanie). - Oceń wydajność każdego estymatora, używając miary dokładności (accuracy score) na zbiorze testowym.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))