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

ćwiczenie

Budowanie klasyfikatora stackingowego

Teraz zajmiesz się kolejnymi dwoma krokami.

Krok 3: Dołączenie prognoz do zbioru danych: klasa StackingClassifier obsługuje to wewnętrznie, ale ze swojej strony przygotujesz listę klasyfikatorów pierwszej warstwy – tych, które utworzyłeś w poprzednim ćwiczeniu. Są dostępne jako: clf_dt i clf_knn.

Krok 4: Zbudowanie meta-estymatora drugiej warstwy: w tym celu użyjesz domyślnego LogisticRegression. Jako cechy wejściowe przyjmie on indywidualne prognozy z bazowych estymatorów.

Mając gotowe oba poziomy estymatorów, możesz zbudować klasyfikator stackingowy.

Instrukcje

100 XP
  • Przygotuj listę krotek z klasyfikatorami pierwszej warstwy: clf_dt i clf_knn (podając odpowiednie etykiety i kolejność).
  • Zainicjuj meta-estymator drugiej warstwy: LogisticRegression.
  • Zbuduj klasyfikator stackingowy, przekazując: listę krotek, meta-klasyfikator, parametr stack_method='predict_proba' (aby korzystać z prawdopodobieństw klas) oraz passthrough = False (aby jako cechy używać wyłącznie prognoz).